[论文解读] A Freeform Dielectric Metasurface Modeling Approach Based on Deep Neural Networks

Sensong An, Bowen Zheng+13 more|arXiv (Cornell University)|Jan 1, 2020

Metamaterials and Metasurfaces Applications参考文献 29被引用 14

一句话总结

本文提出一种基于深度学习的方法，采用卷积神经网络（CNN）对具有任意二维图案的自由形式介电超表面进行建模，可在毫秒内快速准确地预测其在整个光谱范围内的电磁响应。该方法相比传统的基于仿真的人工原子设计，显著减少了计算时间，支持超表面的快速按需优化与设计。

ABSTRACT

Metasurfaces have shown promising potentials in shaping optical wavefronts while remaining compact compared to bulky geometric optics devices. Design of meta-atoms, the fundamental building blocks of metasurfaces, relies on trial-and-error method to achieve target electromagnetic responses. This process includes the characterization of an enormous amount of different meta-atom designs with different physical and geometric parameters, which normally demands huge computational resources. In this paper, a deep learning-based metasurface/meta-atom modeling approach is introduced to significantly reduce the characterization time while maintaining accuracy. Based on a convolutional neural network (CNN) structure, the proposed deep learning network is able to model meta-atoms with free-form 2D patterns and different lattice sizes, material refractive indexes and thicknesses. Moreover, the presented approach features the capability to predict meta-atoms' wide spectrum responses in the timescale of milliseconds, which makes it attractive for applications such as fast meta-atom/metasurface on-demand designs and optimizations.

研究动机与目标

• 为克服传统仿真方法在表征人工原子时计算成本过高的问题。
• 实现在任意二维图案、晶格尺寸、折射率和厚度下对介电超表面的快速且准确的建模。
• 开发一种机器学习框架，实现实时预测人工原子的宽光谱电磁响应。
• 支持面向实际光学应用的超表面快速按需设计与优化。

提出的方法

• 在涵盖多种几何与材料参数的大量模拟人工原子响应数据集上训练卷积神经网络（CNN）。
• 网络的输入为人工原子自由形式图案的二维图像表示，从而实现对任意形状的建模。
• 网络输出为人工原子在整个宽频率范围内的完整电磁响应谱，包括相位与振幅。
• 使用有限元方法（FEM）仿真作为各种材料属性与结构参数的真实值来训练模型。
• 网络架构设计为可在不重新训练的情况下泛化至不同的晶格常数、折射率和厚度。
• 推理过程在毫秒内完成，支持实时设计与优化工作流。

实验结果

研究问题

• RQ1 深度学习模型能否准确预测具有任意二维图案的自由形式介电人工原子的全光谱电磁响应？
• RQ2 单一训练好的CNN在不同晶格尺寸、材料折射率和厚度下具有多大程度的泛化能力？
• RQ3 与传统基于仿真的人工原子表征方法相比，深度学习推理快多少？
• RQ4 该模型能否支持超表面的实时按需设计与优化？

主要发现

• 所提出的深度学习模型可在毫秒内预测自由形式介电人工原子的完整电磁响应，与全波仿真相比具有高精度。
• 该模型在不重新训练的情况下，能有效泛化至不同的晶格常数、折射率和厚度。
• 推理速度比传统有限元方法仿真快几个数量级，支持实时设计应用。
• 该模型在整个光谱范围内保持高预测精度，支持复杂的波前整形任务。