[论文解读] A deep learning approach for inverse design of the metasurface for dual-polarized waves

Fardin Ghorbani, Javad Shabanpour+4 more|arXiv (Cornell University)|May 12, 2021

Metamaterials and Metasurfaces Applications参考文献 37被引用 52

一句话总结

该论文提出了一种基于深度神经网络（DNN）的超表面逆向设计方法，可生成适用于高达45 GHz的双极化（TE 和 TM）波的单元结构。通过将输出限制在8种预定义的环形超原子模型内，该方法降低了计算负载并加速了训练，无需迭代优化即可实现92%的准确率，生成期望的S参数响应。

ABSTRACT

Compared to the conventional metasurface design, machine learning-based methods have recently created an inspiring platform for an inverse realization of the metasurfaces. Here, we have used the Deep Neural Network (DNN) for the generation of desired output unit cell structures in an ultra-wide working frequency band for both TE and TM polarized waves. To automatically generate metasurfaces in a wide range of working frequencies from 4 to 45 GHz, we deliberately design an 8 ring-shaped pattern in such a way that the unit-cells generated in the dataset can produce single or multiple notches in the desired working frequency band. Compared to the general approach, whereby the final metasurface structure may be formed by any randomly distributed "0" and "1", we propose here a restricted output structure. By restricting the output, the number of calculations will be reduced and the learning speed will be increased. Moreover, we have shown that the accuracy of the network reaches 91\%. Obtaining the final unit cell directly without any time-consuming optimization algorithms for both TE and TM polarized waves, and high average accuracy, promises an effective strategy for the metasurface design; thus, the designer is required only to focus on the design goal.

研究动机与目标

• 解决基于试错或优化的传统超表面逆向设计方法存在的高计算成本和耗时问题。
• 实现在宽频带（高达45 GHz）内对TE和TM极化波快速、准确且直接生成超表面单元结构。
• 通过将DNN输出限制在预定义的8种环形超原子图案集合内，降低计算复杂度和训练时间。
• 在重现双正交极化波的期望S参数特征（如陷波频率、深度、带宽）方面实现高准确率。
• 提供一种可编程、高效且可扩展的框架，用于超表面逆向设计，无需依赖耗时的优化算法。

提出的方法

• DNN被训练以将TE和TM极化波的期望S参数目标（陷波频率、深度、带宽）映射到表示8种环形超原子配置的48维输出向量。
• 输出被限制在8种预定义的环形模型（编码为000至111）内，从而限制搜索空间并降低计算复杂度。
• 每个超原子由这8种环形图案的4×4晶格组成，形成32×32的单元结构，分辨率为0.2 mm。
• 网络架构包含11层：6个带ReLU激活函数的全连接层，5个用于正则化的Dropout层，以及一个输出二值（0/1）值的Sigmoid层。
• 损失函数为预测S参数与目标S参数之间的均方误差（MSE），使用Adam优化器进行最小化。
• 利用CST Microwave Studio进行全波仿真，并通过MATLAB集成验证生成的超表面响应。

实验结果

研究问题

• RQ1 基于DNN的逆向设计方法是否能够准确生成适用于宽频带（高达45 GHz）内TE和TM极化波的超表面单元结构？
• RQ2 将DNN输出限制在预定义的8种环形超原子图案集合内，对超表面逆向设计的准确率、训练速度和计算效率有何影响？
• RQ3 该方法在多大程度上可以消除超表面设计中对迭代优化算法的依赖？
• RQ4 DNN在重现双极化波复杂S参数响应（如多个陷波）方面的可实现准确率和推理速度如何？
• RQ5 与传统的基于优化的方法相比，该方法在效率和准确率方面表现如何？

主要发现

• DNN在生成匹配期望S参数目标的超表面单元结构方面，对TE和TM极化波的平均准确率达到92%。
• 单个单元结构的推理时间仅为0.038秒，显著快于传统方法所需的700–800分钟。
• 模型大小仅为6 MB，支持高效部署并显著降低计算资源使用。
• 在受限输出配置下，训练过程仅用时19分钟，展现出极高的训练效率。
• 全波仿真结果证实，所生成的超表面在两种极化状态下均成功实现了目标谐振陷波的频率、深度和带宽。
• 该方法成功利用8种环形超原子模型在目标频段（4–45 GHz）内生成了多达三个谐振。