[论文解读] A Novel Modeling Approach for All-Dielectric Metasurfaces Using Deep Neural Networks

Sensong An, Clayton Fowler+12 more|arXiv (Cornell University)|Jun 8, 2019

Metamaterials and Metasurfaces Applications参考文献 32被引用 13

一句话总结

本文提出了一种深度神经网络框架，通过克服先前神经网络方法在维度不匹配、相位预测精度以及三维结构适应性方面的关键局限，显著加速并提升了全介质超表面的设计效率。该方法实现了在电磁波谱范围内对元原子、滤波器和可重构超表面的快速、精确且可泛化的逆向设计。

ABSTRACT

Metasurfaces have become a promising means for manipulating optical wavefronts in flat and high-performance optical devices. Conventional metasurface device design relies on trial-and-error methods to obtain target electromagnetic (EM) response, an approach that demands significant efforts to investigate the enormous number of possible meta-atom structures. In this paper, a deep neural network approach is introduced that significantly improves on both speed and accuracy compared to techniques currently used to assemble metasurface-based devices. Our neural network approach overcomes three key challenges that have limited previous neural-network-based design schemes: input/output vector dimensional mismatch, accurate EM-wave phase prediction, as well as adaptation to 3-D dielectric structures, and can be generically applied to a wide variety of metasurface device designs across the entire electromagnetic spectrum. Using this new methodology, examples of neural networks capable of producing on-demand designs for meta-atoms, metasurface filters, and phase-change reconfigurable metasurfaces are demonstrated.

研究动机与目标

• 解决在庞大参数空间下，传统试错法在设计超表面时效率低下的问题。
• 克服先前基于神经网络的设计方法的局限，如输入/输出向量维度不匹配以及相位预测精度差的问题。
• 实现对三维介质超表面的精确建模与逆向设计，以实现多种光学功能。
• 开发一种可泛化的框架，适用于电磁波谱范围内各类超表面器件。
• 实现元原子及复杂超表面组件（如滤波器和可重构结构）的高速、高精度设计。

提出的方法

• 提出一种专为全介质超表面设计的深度神经网络架构，采用结构化的输入与输出表示形式。
• 设计一种自定义损失函数，以提升电磁波相位预测的准确性，这对波前调控至关重要。
• 通过采用紧凑且符合物理规律的元原子几何与电磁响应表示，解决输入/输出向量的维度不匹配问题。
• 通过参数化几何描述符与电磁仿真，将三维介质结构建模集成至网络中。
• 利用大量模拟的电磁响应数据集对网络进行训练，涵盖多种元原子构型。
• 通过将网络条件化为生成满足特定电磁响应的元原子几何结构，实现逆向设计。

实验结果

研究问题

• RQ1 深度神经网络能否克服超表面设计中输入（几何）与输出（电磁响应）之间的维度不匹配问题？
• RQ2 该网络能否在不同元原子结构上实现高精度的电磁波相位预测？
• RQ3 该框架能否泛化至超越二维平面设计的三维介质超表面？
• RQ4 该方法能否实现对滤波器和可重构器件等功能型超表面的快速且精确的逆向设计？
• RQ5 与传统的基于仿真的优化方法相比，该方法在速度和精度方面的表现如何？

主要发现

• 所提出的深度神经网络在推理速度上显著快于传统电磁仿真方法，实现了快速的设计迭代。
• 该模型在预测元原子相位响应方面表现出高精度，相位误差相比先前的神经网络方法显著降低。
• 该框架成功设计出能产生目标波前的元原子，包括涡旋光束和透镜功能等复杂相位分布。
• 该方法在不同材料与几何结构间具有良好的泛化能力，可实现静态及基于相变材料的可重构超表面的设计。
• 网络成功实现了具有指定透射光谱的超表面滤波器的精确逆向设计，经全波仿真验证。
• 该方法适用于整个电磁波谱，已在可见光与红外频段得到验证。