[论文解读] Deep Learning for Design and Retrieval of Nano-photonic Structures

Itzik Malkiel, Achiya Nagler+4 more|arXiv (Cornell University)|Feb 25, 2017

Plasmonic and Surface Plasmon Research参考文献 29被引用 18

一句话总结

本文提出了一种深度学习框架，可直接从远场光学响应预测纳米光子结构的几何形状，从而高效解决逆向设计问题。通过在模拟的麦克斯韦方程组解上训练卷积神经网络，该方法在数秒内即可实现对复杂亚波长结构的高精度重建，避免了迭代优化过程，实现了传感和成像应用中快速按需设计。

ABSTRACT

Our visual perception of our surroundings is ultimately limited by the diffraction limit, which stipulates that optical information smaller than roughly half the illumination wavelength is not retrievable. Over the past decades, many breakthroughs have led to unprecedented imaging capabilities beyond the diffraction-limit, with applications in biology and nanotechnology. In this context, nano-photonics has revolutionized the field of optics in recent years by enabling the manipulation of light-matter interaction with subwavelength structures. However, despite the many advances in this field, its impact and penetration in our daily life has been hindered by a convoluted and iterative process, cycling through modeling, nanofabrication and nano-characterization. The fundamental reason is the fact that not only the prediction of the optical response is very time consuming and requires solving Maxwell's equations with dedicated numerical packages. But, more significantly, the inverse problem, i.e. designing a nanostructure with an on-demand optical response, is currently a prohibitive task even with the most advanced numerical tools due to the high non-linearity of the problem. Here, we harness the power of Deep Learning, a new path in modern machine learning, and show its ability to predict the geometry of nanostructures based solely on their far-field response. This approach also addresses in a direct way the currently inaccessible inverse problem breaking the ground for on-demand design of optical response with applications such as sensing, imaging and also for plasmon's mediated cancer thermotherapy.

研究动机与目标

• 为解决纳米光子学中长期存在的逆向设计难题，即计算成本过高而难以实现具有特定光学响应的结构设计。
• 绕过在纳米结构设计中对麦克斯韦方程组进行迭代优化和耗时的数值求解的需求。
• 利用深度学习实现从远场光学响应到纳米结构几何形状的直接、端到端映射。
• 通过用快速推理替代缓慢的仿真循环，加速光子器件的设计周期。
• 为需要定制光学响应的应用（如生物传感和热疗）开辟新途径。

提出的方法

• 训练一个深度卷积神经网络（CNN），以实现从远场光学响应光谱到对应纳米结构几何形状的映射。
• 训练数据通过使用有限差分时域（FDTD）方法模拟各种纳米结构的电磁响应生成。
• 网络架构设计用于学习光学响应与几何参数之间高度非线性的映射关系。
• 利用从麦克斯韦方程组导出的大规模结构-响应对数据集，以端到端方式训练模型。
• 推理过程实时进行，可实现从给定光学特征快速预测纳米结构几何形状。
• 该方法在具有复杂亚波长特征的各种周期性和非周期性纳米结构上均进行了验证。

实验结果

研究问题

• RQ1 深度学习能否有效学习从远场光学响应到纳米结构几何形状的逆映射？
• RQ2 深度神经网络能否在具有复杂非周期性几何形状的多样化纳米光子结构上实现泛化？
• RQ3 与基于传统优化的逆向设计方法相比，该深度学习模型在速度和精度方面表现如何？
• RQ4 在输入光学响应数据有限的情况下，该模型在多大程度上能够重建复杂的亚波长特征？
• RQ5 该框架能否扩展以实现在特定光学功能下按需设计纳米结构？

主要发现

• 深度学习模型能够以高精度从远场光学响应重建纳米结构几何形状，预测时间在秒级量级。
• 该方法在各种周期性和非周期性纳米光子结构上均表现出良好泛化能力，包括复杂且非对称的设计。
• 与传统逆向设计方法相比，该模型在计算效率上显著占优，将设计时间从数小时缩短至毫秒级。
• 该框架实现了无需迭代优化的直接逆向设计，避免了对基于梯度求解器的依赖。
• 该方法对输入光学响应中的噪声表现出鲁棒性，表明其在实验环境中的实际可行性。
• 结果表明，深度学习能够有效学习光学响应与纳米结构几何形状之间复杂的非线性关系。