[论文解读] Compounding meta-atoms into meta-molecules with hybrid artificial intelligence techniques

Zhaocheng Liu, Dayu Zhu+4 more|arXiv (Cornell University)|Jul 7, 2019

Metamaterials and Metasurfaces Applications参考文献 32被引用 6

一句话总结

本文提出了一种混合人工智能框架，结合组合模式生成网络与协同进化算法，实现超表面中元分子的逆向设计。通过将复杂的元分子设计分解为基于深度学习与进化算法的独立元原子优化，该方法实现了对光偏振态与波前的精确控制，并通过实验验证了其高可靠性和高效性。

ABSTRACT

Molecules composed of atoms exhibit properties not inherent to their constituent atoms. Similarly, meta-molecules consisting of multiple meta-atoms possess emerging features that the meta-atoms themselves do not possess. Metasurfaces composed of meta-molecules with spatially variant building blocks, such as gradient metasurfaces, are drawing substantial attention due to their unconventional controllability of the amplitude, phase, and frequency of light. However, the intricate mechanisms and the large degrees of freedom of the multi-element systems impede an effective strategy for the design and optimization of meta-molecules. Here, we propose a hybrid artificial intelligence-based framework consolidating compositional pattern-producing networks and cooperative coevolution to resolve the inverse design of meta-molecules in metasurfaces. The framework breaks the design of the meta-molecules into separate designs of meta-atoms, and independently solves the smaller design tasks of the meta-atoms through deep learning and evolutionary algorithms. We leverage the proposed framework to design metallic meta-molecules for arbitrary manipulation of the polarization and wavefront of light. Moreover, the efficacy and reliability of the design strategy are confirmed through experimental validations. This framework reveals a promising candidate approach to expedite the design of large-scale metasurfaces in a labor-saving, systematic manner.

研究动机与目标

• 为解决设计具有复杂空间变化元分子的大规模超表面的挑战。
• 克服多元素元分子系统中高自由度与复杂相互作用的问题。
• 利用人工智能开发一种系统化、省工的元分子设计策略。
• 通过工程化设计的元分子实现在光偏振态与波前上的任意调控。
• 通过实验验证所提出框架的可靠性与有效性，确保其在实际应用中的可行性。

提出的方法

• 该框架将元分子的逆向设计分解为单个元原子的独立设计任务。
• 组合模式生成网络生成具有所需光学响应的多样化元原子几何结构。
• 协同进化算法优化元原子的空间排布与耦合关系，以形成具备目标功能的元分子。
• 训练深度学习模型以预测元原子在不同构型下的光学响应（相位、振幅、偏振）。
• 进化算法优化元原子的集体行为，以实现期望的波前与偏振控制。
• 该框架实现了具有空间变化元分子排布的大规模超表面的系统化、可扩展设计。

实验结果

研究问题

• RQ1 在元分子具有高自由度与复杂相互作用的条件下，如何高效求解其逆向设计问题？
• RQ2 结合深度学习与进化算法的混合人工智能方法，能否有效分解并求解元分子设计问题？
• RQ3 所提出的框架在多大程度上可实现对超表面中光偏振态与波前的任意控制？
• RQ4 与传统设计方法相比，该AI设计的元分子在精度与效率方面表现如何？
• RQ5 使用该混合人工智能框架设计的元分子在实验上是否具备可行性与可靠性？

主要发现

• 该混合人工智能框架成功设计出金属元分子，可实现对光偏振态与波前的任意调控。
• 通过将元分子设计解耦为独立的元原子优化任务，该方法实现了高设计效率。
• 实验验证结果与预测光学响应高度一致，证明了该框架的可靠性。
• 该方法实现了具有空间变化元分子排布的大规模超表面的系统化与可扩展设计。
• 与传统的试错法或暴力搜索优化方法相比，该框架显著降低了设计复杂度与人工工作量。
• 组合模式生成网络与协同进化算法的结合，实现了对非直观元原子构型的发现，且其性能更优。