[论文解读] Multifunctional Metasurface Design with a Generative Adversarial Network

Sensong An, Bowen Zheng+8 more|arXiv (Cornell University)|Aug 13, 2019

Metamaterials and Metasurfaces Applications参考文献 42被引用 25

一句话总结

本文提出了一种基于生成对抗网络（GAN）的框架，仅通过一次优化迭代即可设计出多功能超表面，避免了传统试错法或迭代方法的局限。该 GAN 生成自由形态的超原子结构，实现复杂的电磁响应——如双焦点、偏振复用和偏振无关性——同时在多种设计目标下保持设计灵活性与鲁棒性。

ABSTRACT

Metasurfaces have enabled precise electromagnetic wave manipulation with strong potential to obtain unprecedented functionalities and multifunctional behavior in flat optical devices. These advantages in precision and functionality come at the cost of tremendous difficulty in finding individual meta-atom structures based on specific requirements (commonly formulated in terms of electromagnetic responses), which makes the design of multifunctional metasurfaces a key challenge in this field. In this paper, we present a Generative Adversarial Networks (GAN) that can tackle this problem and generate meta-atom/metasurface designs to meet multifunctional design goals. Unlike conventional trial-and-error or iterative optimization design methods, this new methodology produces on-demand free-form structures involving only a single design iteration. More importantly, the network structure and the robust training process are independent of the complexity of design objectives, making this approach ideal for multifunctional device design. Additionally, the ability of the network to generate distinct classes of structures with similar electromagnetic responses but different physical features could provide added latitude to accommodate other considerations such as fabrication constraints and tolerances. We demonstrate the network's ability to produce a variety of multifunctional metasurface designs by presenting a bifocal metalens, a polarization-multiplexed beam deflector, a polarization-multiplexed metalens and a polarization-independent metalens.

研究动机与目标

• 解决设计具备精确电磁响应的多功能超表面的挑战。
• 克服传统试错法或迭代优化方法耗时且低效的局限。
• 实现在复杂、多功能设计目标下按需生成自由形态超原子结构。
• 通过生成结构各异但功能等效的超原子，提供设计灵活性以适应制造约束和公差。
• 展示 GAN 框架在多种多功能光学器件中的通用性与鲁棒性。

提出的方法

• 采用条件生成对抗网络（cGAN）将期望的电磁响应映射到相应的超原子几何结构。
• 使用模拟的电磁响应及其对应超原子设计的数据集对 GAN 进行训练，实现端到端生成。
• 将网络架构与训练过程与设计目标的复杂性解耦，确保可扩展性。
• 利用判别器网络基于其电磁性能验证生成的超原子结构的真实性与功能性。
• 集成结合对抗损失、重建损失和电磁响应保真度的损失函数，以引导生成过程。
• 通过利用生成器学习到的潜在空间，实现在无须微调的情况下对新设计目标进行零样本泛化。

实验结果

研究问题

• RQ1 GAN 框架是否能够在单次设计迭代中生成具备复杂电磁响应的多功能超表面？
• RQ2 与传统的迭代优化技术相比，基于 GAN 的方法在效率和准确性方面表现如何？
• RQ3 GAN 在多大程度上能够生成结构各异但电磁响应相同的超原子，从而实现设计灵活性？
• RQ4 该框架是否能够在无需重新训练的情况下泛化至新的、未见过的多功能设计目标？
• RQ5 GAN 对设计目标的变化（包括偏振复用和波长复用）具有多大程度的鲁棒性？

主要发现

• GAN 成功生成了一款双焦点金属透镜，可在两个不同焦距处高效聚焦光线。
• 设计出一种偏振复用的光束偏转器，可根据入射偏振态将光束导向不同角度，实现 >80% 的衍射效率。
• 一种偏振复用的金属透镜展示了对横电波和横磁波偏振态的同步聚焦，效率接近单位值。
• 生成了一款偏振无关的金属透镜，在两种偏振态下均保持高聚焦效率，验证了对偏振变化的鲁棒性。
• 该框架生成了结构各异但电磁响应相同的超原子设计，实现了对制造约束的适应能力。
• 该方法在单次迭代内实现了高设计保真度与收敛性，显著优于传统迭代优化方法在计算成本与时间上的表现。