[论文解读] Designing nanophotonic structures using conditional-deep convolutional generative adversarial networks

Sunae So, Junsuk Rho|arXiv (Cornell University)|Mar 20, 2019

Metamaterials and Metasurfaces Applications参考文献 12被引用 8

一句话总结

本文提出了一种条件深度卷积生成对抗网络（cDCGAN），可直接从目标反射光谱设计任意纳米光子天线结构，绕过预设的几何约束。该方法生成64×64像素的结构设计，能够以高保真度实现目标光学响应，展示了无需迭代模拟的稳定、高质量逆向设计。

ABSTRACT

Data-driven design approaches based on deep-learning have been introduced in nanophotonics to reduce time-consuming iterative simulations which have been a major challenge. Here, we report the first use of conditional deep convolutional generative adversarial networks to design nanophotonic antennae that are not constrained to a predefined shape. For given input reflection spectra, the network generates desirable designs in the form of images; this form allows suggestions of new structures that cannot be represented by structural parameters. Simulation results obtained from the generated designs agreed well with the input reflection spectrum. This method opens new avenues towards the development of nanophotonics by providing a fast and convenient approach to design complex nanophotonic structures that have desired optical properties.

研究动机与目标

• 为克服传统纳米光子设计方法依赖耗时的迭代模拟和预设几何形状的局限性。
• 实现超越H型天线或多层结构等固定形状的新型、任意结构纳米光子天线的发现。
• 开发一种稳定的、数据驱动的生成模型，利用条件深度学习将光学光谱映射为复杂结构设计。
• 证明cDCGAN能够生成与目标反射光谱高度一致的逼真、功能性纳米光子结构。

提出的方法

• 训练条件深度卷积生成对抗网络（cDCGAN）从输入反射光谱生成64×64像素的结构图像，其中每个像素代表一种材料（银或空气）。
• 生成器网络使用转置卷积层将潜在向量上采样为全分辨率结构设计，而判别器使用标准卷积层以区分真实与生成的设计。
• 使用带logits的二元交叉熵损失（BCE Loss）进行训练，以优化生成器和判别器的性能，对抗性损失通过超参数ρ加权。
• 通过FDTD模拟生成了包含10,150个银纳米光子天线的数据集，涵盖六种形状，覆盖200个光谱点（250–500 THz）。
• 使用小批量梯度下降进行训练，批量大小为64，通过20%的数据进行验证以防止过拟合并选择最佳权重。
• 物理域固定为500 nm × 500 nm，采用周期性边界条件，所有模拟均假设y偏振光正入射。

实验结果

研究问题

• RQ1 cDCGAN模型能否在无几何约束的情况下，直接从目标反射光谱生成新颖的、任意结构的纳米光子天线？
• RQ2 与传统cGAN相比，cDCGAN在纳米光子设计中的训练稳定性与生成质量如何？
• RQ3 生成的设计在FDTD模拟验证下，能在多大程度上复现目标光学响应？
• RQ4 在生成逼真且精确的纳米光子结构时，对抗性损失与重建损失之间应如何达到最佳平衡？

主要发现

• cDCGAN的最终验证损失为5.564×10⁻³，显著低于传统cGAN的6.035×10⁻³，表明其训练稳定性与性能更优。
• 经过200个周期训练后，cDCGAN生成了逼真、结构清晰的图像，而cGAN即使训练800个周期仍产生噪声输出，证实了更好的收敛性。
• 当ρ = 0.5时，网络生成的结构比ρ = 0或ρ = 1时更具真实感和结构一致性，归因于判别器反馈的有效性。
• 经FDTD模拟验证，生成的设计与输入反射光谱高度匹配，证实了逆向设计的高精度。
• 该方法在设计空间中实现了2⁴⁰⁹⁶个自由度（64×64像素），可实现超越预设几何形状的探索。
• 该模型成功生成了原始训练集中不存在的新颖、非传统天线形状，证明其生成能力超越插值范围。