[论文解读] A Hybrid Strategy for the Discovery and Design of Photonic Nanostructures

Zhaocheng Liu, Lakshmi Raju+2 more|arXiv (Cornell University)|Feb 6, 2019

Photonic Crystals and Applications参考文献 2被引用 9

一句话总结

本文提出了一种混合深度学习与进化优化框架，用于光子纳米结构的自动化逆向设计。通过变分自编码器将纳米结构图案编码到连续潜在空间中，并在该空间中使用改进的进化策略进行优化，该方法在生成匹配用户定义光谱响应的超表面方面实现了超过95%的准确率，实现了无需预先几何假设的高效、按需设计。

ABSTRACT

Designing complex physical systems, including photonic structures, is typically a tedious trial-and-error process that requires extensive simulations with iterative sweeps in multi-dimensional parameter space. To circumvent this conventional approach and substantially expedite the discovery and development of photonic structures, here we develop a framework leveraging both a deep generative model and a modified evolution strategy to automate the inverse design of engineered nanophotonic materials. The capacity of the proposed methodology is tested through the application to a case study, where metasurfaces in either continuous or discrete topologies are generated in response to customer-defined spectra at the input. Through a variational autoencoder, all potential patterns of unit nanostructures are encoded into a continuous latent space. An evolution strategy is applied to vectors in the latent space to identify an optimized vector whose nanostructure pattern fulfills the design objective. The evaluation shows that over 95% accuracy can be achieved for all the unit patterns of the nanostructure tested. Our scheme requires no prior knowledge of the geometry of the nanostructure, and, in principle, allows joint optimization of the dimensional parameters. As such, our work represents an efficient, on-demand, and automated approach for the inverse design of photonic structures with subwavelength features.

研究动机与目标

• 为克服传统试错法在设计复杂光子纳米结构时的低效性。
• 实现在亚波长特征下的光子材料自动化、按需逆向设计。
• 消除对纳米结构形状的预先几何假设的需求。
• 实现多维设计空间中尺寸参数的联合优化。
• 开发一种可扩展且可泛化的框架，用于设计具有定制光谱响应的超表面。

提出的方法

• 训练变分自编码器（VAE）以将所有潜在的单元纳米结构图案编码到连续的低维潜在空间中。
• 潜在空间表示使得能够高效探索复杂且高维的纳米结构几何形态。
• 应用进化策略以优化潜在空间中的向量，从而实现目标光谱响应。
• 优化过程基于来自全波模拟的适应度评估，迭代演化潜在向量。
• 该框架支持超表面的连续和离散拓扑结构。
• 该方法端到端可微分，且无需了解纳米结构几何形态的先验知识。

实验结果

研究问题

• RQ1 深度生成模型能否有效将多样的光子纳米结构图案编码到连续潜在空间中？
• RQ2 在潜在空间中，进化策略在多大程度上能准确发现匹配给定光谱目标的纳米结构？
• RQ3 该框架能否在无预先几何约束的情况下联合优化多个尺寸参数？
• RQ4 该方法在不同超表面拓扑结构（连续与离散）之间的泛化能力如何？
• RQ5 与传统的迭代模拟方法相比，该方法能否显著降低逆向设计的计算成本？

主要发现

• 该框架在所有测试的单元图案中，生成匹配目标光谱响应的纳米结构准确率超过95%。
• 变分自编码器成功学习到复杂纳米结构几何形态的紧凑且有意义的潜在表示。
• 在潜在空间中应用的进化策略能高效收敛至最优设计，且无需梯度信息。
• 该方法可在无结构拓扑先验假设的情况下，实现多个尺寸参数的联合优化。
• 该方法在连续和离散超表面拓扑结构中均表现出鲁棒性。
• 该框架显著减少了在高维参数空间中进行广泛手动模拟扫描的需求。