[论文解读] Dataless training of generative models for the inverse design of metasurfaces.

Jiaqi Jiang, Jonathan A. Fan|arXiv (Cornell University)|Jun 18, 2019

Metamaterials and Metasurfaces Applications参考文献 14被引用 4

一句话总结

本文提出了一种无需数据的生成对抗训练方法，用于超表面的逆向设计，其中通过伴随方法仿真获得的效率梯度，利用基于梯度的反向传播对生成器网络进行优化。该方法实现的性能与拓扑优化相当或更优，能够在无需标注数据的情况下实现高维设计空间中的全局优化。

ABSTRACT

Metasurfaces are subwavelength-structured artificial media that can shape and localize electromagnetic waves in unique ways. The inverse design of metasurfaces is a non-convex optimization problem in a high dimensional space, making global optimization a huge challenge. We present a new type of global optimization algorithm, based on the training of a generative neural network without a training set, which can produce high-performance metasurfaces. Instead of directly optimizing devices one at a time, we reframe the optimization as the training of a generator that iteratively enhances the probability of generating high-performance devices. The loss function used for backpropagation is defined as a function of generated patterns and their efficiency gradients, which are calculated by the adjoint variable method using the forward and adjoint electromagnetic simulations. We observe that distributions of devices generated by the network continuously shift towards high-performance design space regions over the course of optimization. Upon training completion, the best-generated devices have efficiencies comparable to or exceeding the best devices designed using standard topology optimization. We envision that our proposed global optimization algorithm generally applies to other gradient-based optimization problems in optics, mechanics and electronics.

研究动机与目标

• 为解决超表面在高维、非凸逆向设计问题中的全局优化挑战。
• 通过仅依赖梯度反馈训练生成模型，消除对标注训练数据的依赖。
• 实现在复杂电磁设计空间中对高性能设计区域的高效探索。
• 将该方法推广至光学、力学和电子学中的其他基于梯度的优化问题。

提出的方法

• 将逆向设计重新表述为在无数据集的情况下训练生成神经网络，仅使用效率梯度作为反馈。
• 基于效率及其梯度定义损失函数，该梯度通过前向和伴随电磁仿真利用伴随变量法计算得出。
• 通过生成器进行反向传播，迭代提升生成高性能超表面图案的概率。
• 使用一种损失函数，促使生成分布向设计空间中更高效率区域移动。
• 利用伴随方法高效计算梯度，实现高维参数空间中的可扩展优化。
• 以端到端方式训练生成器，无需显式数据或奖励塑造。

实验结果

研究问题

• RQ1 能否在无任何标注数据的情况下，有效训练生成模型以实现超表面的逆向设计？
• RQ2 能否通过电磁仿真获得的基于梯度的反馈，引导生成器发现高性能的超表面设计？
• RQ3 在训练过程中，生成设计的分布是否系统性地向更高效率区域移动？
• RQ4 该无数据训练方法能否达到或超越标准拓扑优化的性能？

主要发现

• 在训练过程中，生成器的输出分布持续向设计空间中更高效率区域移动，表明实现了有效的探索。
• 最佳生成的超表面实现了与标准拓扑优化生成的最佳设计相当或更优的效率。
• 该方法无需标注数据集，即可在高维、非凸设计空间中实现全局优化。
• 该方法可推广至光学、力学和电子学中的其他基于梯度的优化问题。