[论文解读] Progressive-Growing of Generative Adversarial Networks for Metasurface Optimization

Fufang Wen, Jiaqi Jiang+1 more|arXiv (Cornell University)|Nov 29, 2019

Metamaterials and Metasurfaces Applications被引用 5

一句话总结

本文提出一种渐进式增长生成对抗网络（PGGAN）框架，通过在训练过程中同时逐步扩展生成对抗网络架构与训练集，以提升超表面设计性能。通过迭代地利用高效GAN生成的器件优化训练数据，并逐步提高分辨率，该方法在无需后处理优化的情况下，实现了与基于梯度的拓扑优化相当的器件性能，消除了计算瓶颈。

ABSTRACT

Generative adversarial networks, which can generate metasurfaces based on a training set of high performance device layouts, have the potential to significantly reduce the computational cost of the metasurface design process. However, basic GAN architectures are unable to fully capture the detailed features of topologically complex metasurfaces, and generated devices therefore require additional computationally-expensive design refinement. In this Letter, we show that GANs can better learn spatially fine features from high-resolution training data by progressively growing its network architecture and training set. Our results indicate that with this training methodology, the best generated devices have performances that compare well with the best devices produced by gradient-based topology optimization, thereby eliminating the need for additional design refinement. We envision that this network training method can generalize to other physical systems where device performance is strongly correlated with fine geometric structuring.

研究动机与目标

• 为解决传统GAN在捕捉拓扑复杂超表面精细空间特征方面的局限性。
• 通过用训练好的GAN替代迭代的基于梯度的优化，降低超表面设计的计算成本。
• 通过渐进式训练提升GAN泛化能力，消除对生成后处理优化的需求。
• 证明PGGAN可生成效率与基于梯度优化设计相当或更优的超表面。

提出的方法

• 通过在训练过程中逐层添加神经元，逐步扩展生成器与判别器的网络架构，从低分辨率特征开始，逐步过渡到高分辨率细节。
• 通过识别并添加高效率GAN生成的超表面到数据集中，动态扩展训练集。
• 使用电磁仿真器（RCWA）评估器件效率，并选择表现最佳的GAN生成器件加入训练集。
• 从训练集中移除低性能器件（即效率低于对应波长-偏转角对最佳效率85%的器件），以防止性能下降。
• 训练一个条件PGGAN，以生成能将正入射光偏转至+1级衍射级次的超光栅，适用于多个波长与入射角。
• 采用13个波长（500–1100 nm）与11个偏转角（35°–85°）的密集采样，确保广泛覆盖并实现有效泛化。

实验结果

研究问题

• RQ1 与标准GAN相比，同时对网络架构与训练集进行渐进式增长，是否能提升GAN生成超表面的保真度？
• RQ2 通过引入高效率GAN生成器件进行动态训练集增强，是否能提升生成器的最终性能？
• RQ3 在无需额外后处理优化的情况下，PGGAN在多大程度上可匹配或超越基于梯度的拓扑优化性能？
• RQ4 与单独使用任一增长策略相比，网络增长与训练集增长的结合在器件效率方面表现如何？
• RQ5 该方法是否可推广至其他物理系统，其中精细几何结构对器件性能具有决定性影响？

主要发现

• PGGAN实现的平均器件效率与最佳基于梯度的拓扑优化器件相当，无需生成后处理优化。
• 仅通过训练集增长，GAN生成器件的平均效率提升了约20%；仅通过网络增长，效率提升了约10%。
• 两种增长策略结合使用时性能最高，PGGAN生成的器件在效率上达到或超过训练集中最佳器件。
• PGGAN的总计算成本为3,038,500次电磁仿真，显著低于全量基于梯度优化所需的1680万次仿真。
• 训练完成后，仅需286,000次仿真即可评估每个波长-偏转角对的2,000个生成器件，展现出极高的推理效率。
• 该方法成功在13个波长与11个偏转角的密集范围内生成高性能超光栅，所有配置下均保持一致的高效率。