[论文解读] Deep Convolutional Neural Networks to Predict Mutual Coupling Effects in Metasurfaces

Sensong An, Bowen Zheng+14 more|arXiv (Cornell University)|Feb 2, 2021

Metamaterials and Metasurfaces Applications参考文献 34被引用 9

一句话总结

本文提出一种深度卷积神经网络（CNN），通过建模大阵列中元原子的电磁响应并考虑近场相互作用，以预测超表面中的互耦效应。该方法可实现毫秒级的相位和幅度预测，在光束偏转器和金属透镜中显著提升了效率，优于传统的周期性设计方法。

ABSTRACT

Metasurfaces have provided a novel and promising platform for the realization of compact and large-scale optical devices. The conventional metasurface design approach assumes periodic boundary conditions for each element, which is inaccurate in most cases since the near-field coupling effects between elements will change when surrounded by non-identical structures. In this paper, we propose a deep learning approach to predict the actual electromagnetic (EM) responses of each target meta-atom placed in a large array with near-field coupling effects taken into account. The predicting neural network takes the physical specifications of the target meta-atom and its neighbors as input, and calculates its phase and amplitude in milliseconds. This approach can be applied to explain metasurfaces' performance deterioration caused by mutual coupling and further used to optimize their efficiencies once combined with optimization algorithms. To demonstrate the efficacy of this methodology, we obtain large improvements in efficiency for a beam deflector and a metalens over the conventional design approach. Moreover, we show the correlations between a metasurface's performance and its design errors caused by mutual coupling are not bound to certain specifications (materials, shapes, etc.). As such, we envision that this approach can be readily applied to explore the mutual coupling effects and improve the performance of various metasurface designs.

研究动机与目标

• 解决传统超表面设计中因假设周期性边界条件而导致的不准确性，尽管邻近相互作用并非均匀。
• 开发一种数据驱动方法，以预测考虑局部环境影响的真实电磁响应。
• 通过量化并校正因互耦导致的效率损失，实现超表面性能的优化。
• 展示该方法在不同材料、形状和超表面构型中的泛化能力。

提出的方法

• 训练一个深度卷积神经网络，基于目标元原子及其邻近元件的几何和材料参数，预测其相位和幅度响应。
• 网络的输入包含一个空间特征图，编码目标元原子及其周围元原子的物理参数（如形状、材料、位置）。
• 使用全波电磁仿真结果作为多样超表面构型的真值，对模型进行训练。
• 该模型被设计为可泛化至多种超表面架构，包括光束偏转器和金属透镜。
• 推理过程在毫秒内完成，支持实时预测，并可集成至优化流程中。
• 通过将预测响应与全波仿真结果对比，并测量器件效率的提升，对方法进行了验证。

实验结果

研究问题

• RQ1 当元原子受非均匀邻近元件影响时，深度学习模型在预测其电磁响应方面的准确性如何？
• RQ2 考虑互耦效应在多大程度上提升了光束偏转器和金属透镜等超表面器件的效率？
• RQ3 所提出的深度学习模型是否可在无需微调的情况下，泛化至不同材料、几何形状和阵列构型？
• RQ4 忽略互耦效应所导致的设计误差对超表面性能的影响是什么？
• RQ5 该模型的预测速度在多大程度上支持其在逆向设计工作流中的实际集成？

主要发现

• 所提出的CNN模型在不到1毫秒内预测元原子的相位和幅度响应，支持快速设计迭代。
• 与传统的周期性设计方法相比，该模型在光束偏转器和金属透镜上均实现了显著的效率提升。
• 互耦导致的性能退化并非局限于特定材料或几何形状，证实了该方法的广泛适用性。
• 该模型可在无需重新训练的情况下，泛化至多种超表面设计，包括不同材料和结构构型。
• 模型的预测结果定量解释并缓解了设计误差与性能退化之间的关联。
• 将该模型与优化算法结合，可发现以往标准设计规则无法实现的高效率超表面构型。