[论文解读] Multiplexed Supercell Metasurface Design and Optimization with Tandem Residual Networks

Christopher Yeung, Ju-Ming Tsai+6 more|arXiv (Cornell University)|Aug 2, 2020

Metamaterials and Metasurfaces Applications参考文献 63被引用 92

一句话总结

该论文提出了一种并联残差深度学习框架，用于多路复用超晶胞超表面的逆向设计，其子单元元素超过100个，可在中红外和长波红外波段高精度生成复杂的宽带、窄带及多共振吸收器。仅通过在超过三万亿种配置的设计空间中进行3,600次全波电磁仿真，该模型即可实现精确的光谱目标定位，同时考虑强模式耦合与空间排布效应。

ABSTRACT

Complex nanophotonic structures hold the potential to deliver exquisitely tailored optical responses for a range of applications. Metal-insulator-metal (MIM) metasurfaces arranged in supercells, for instance, can be tailored by geometry and material choice to exhibit a variety of absorption properties and resonant wavelengths. With this flexibility, however, comes a vast space of design possibilities that classical design paradigms struggle to effectively navigate. To overcome this challenge, here we demonstrate a tandem residual network approach to efficiently generate multiplexed supercells through inverse design. By using a training dataset with several thousand full-wave electromagnetic simulations in a design space of over three trillion possible designs, the deep learning model can accurately generate a wide range of complex supercell designs given a spectral target. Beyond inverse design, the presented approach can also be used to explore the structure-property relationships of broadband absorption and emission in such supercell configurations. Thus, this study demonstrates the feasibility of high-dimensional supercell inverse design with deep neural networks that is applicable to complex nanophotonic structures composed of multiple subunit elements that may exhibit coupling.

研究动机与目标

• 为解决多路复用超晶胞超表面在强元件间耦合条件下的指数级庞大设计空间导航难题。
• 克服基于深度学习的复杂纳米光子结构逆向设计中非唯一性与梯度消失问题。
• 实现具有超过100个不同谐振器元件的超晶胞超表面的高精度、数据高效逆向设计。
• 直接从训练好的神经网络中发现结构-性能关系，如吸收率、发射率与带宽之间的权衡。
• 证明单一深度学习模型可同时生成复杂超晶胞构型的几何参数与最优空间排布。

提出的方法

• 采用并联残差网络架构，将逆向建模网络与正向建模网络结合，以解决超晶胞设计中的非唯一性问题。
• 网络使用一维卷积层与残差块，以处理高维设计空间并缓解梯度消失问题。
• 逆向网络以目标吸收光谱为输入，输出谐振器的几何参数（宽度、长度）与空间排布。
• 正向网络通过模拟全波电磁响应验证预测结果，实现反馈与优化。
• 训练数据集由3,600次全波仿真组成，覆盖超过三万亿种可能的配置，其中交叉宽度固定为500 nm，交叉长度可变（1.4–3 µm）。
• 通过查询正向网络计算热发射率与最大吸收率等指标，探究结构-性能关系，作为目标带宽与温度的函数。

实验结果

研究问题

• RQ1 深度学习模型能否有效导航中红外MIM超表面超晶胞构型中超过三万亿种可能配置的高维设计空间？
• RQ2 并联残差网络架构能否克服强耦合条件下多路复用超晶胞逆向设计中的非唯一性与梯度消失问题？
• RQ3 单一训练模型在生成具有多个独特谐振器元件与优化空间排布的复杂超晶胞设计方面，其准确性可达到何种程度？
• RQ4 训练后的模型能否在无需额外仿真的前提下，快速揭示结构-性能关系（如发射率与带宽权衡）？
• RQ5 基于残差的架构在逆向超表面设计中与传统全连接型并联网络相比，性能表现如何？

主要发现

• 并联残差网络仅通过3,600次训练仿真，成功设计出具有窄带、多共振及宽带吸收响应的超晶胞超表面。
• 模型在预测几何参数与空间排布方面表现出高精度，预测吸收光谱与全波仿真结果（真实值）高度吻合。
• 网络识别出：随着目标带宽（FWHM）增大，最大吸收率下降，且目标响应与预测响应之间的均方误差（MSE）上升。
• 集成法向入射发射率随目标带宽增大而提高，从而补偿峰值吸收率的降低，且该关系具有温度依赖性，源于黑体光谱辐射强度随温度的变化。
• 正向网络可实现快速参数扫描——在不到一分钟内完成发射率与吸收趋势分析，证明该模型作为全波电磁仿真快速代理的实用性。
• 该框架实现了对复杂设计空间的高效探索，并揭示了在训练参数范围内，光谱响应、几何参数与热发射特性之间的非平凡依赖关系。