OES:用于光学设计的人工智能模型选取新思路（郭凌杰教授团队）- 大数跨境

两江科技评论

2022-02-16

导读：引入了两个新的指标来评估超越传统精度指标的逆向设计性能。

文章 | Ma TG, Tobah M, Wang HZ, Guo LJ. Benchmarking deep learning-based models on nanophotonic inverse design problems. Opto-Electron Sci 1, 210012 (2022).

第一作者：博士生马太高

通讯作者：博士生王浩竹、郭凌杰教授

研究背景

近年来，纳米制造的快速发展催生了纳米光子学，而纳米光子学已成为探索光-物质相互作用和波前操纵的重要平台，对实现先进的光电集成电路至关重要。

通常，纳米光子器件中的不同结构独特地决定了它们的光学响应和功能。而为了实现特定的光学响应和功能，研究人员通常使用计算机辅助的逆向设计方法来寻找具有目标特性的光学结构。在过去的二十年中，基于优化的方法已成功用于纳米光子逆向设计。然而，这些算法通常很耗时，因为随着设计在优化过程中的演进，它们需要进行繁多的光学模拟。

作为基于优化的逆向设计方法的替代方案，近年来提出了基于深度学习的逆向设计模型以加快设计过程。一旦深度神经网络经过训练，它可以直接预测与目标相对应的设计，而无需依赖耗时的优化方法。这些方法已被证明可以在许多纳米光子设计问题中提供准确的逆向设计。

然而，以前大多数基于深度学习的逆向设计工作只关注设计精度，他们没有考虑光学工程师如何使用每种方法进行实际制造。例如，一种方法可能会预测难以制造甚至无法制造的结构设计，而另一种方法可以找到易于制造的设计。

更重要的是，当前有许多不同的基于深度学习的逆向设计模型。由于工作原理的不同，这些模型有各自的优缺点，但目前研究人员尚不清楚应如何从这些模型中进行选择以满足他们的需求。因此，应该对这些模型的除设计精度以外的其他性能进行系统比较。

研究亮点

美国密歇根大学郭凌杰教授研究组引入了两个新的指标来评估超越传统精度指标的逆向设计性能。除了在许多论文中提到的光学响应的准确性外，他们还系统地考虑了：

1) 预测结构的多样性；

2) 逆向设计结构对制造中误差的鲁棒性。

结果表明，多样化的设计可以通过提供更多的候选设计以便于实际制造，尤其是当设计中涉及非常困难的纳米形状时，这是极其有益的。

此外，另一个常见问题是不同的设计可能会导致相似的光学特性。由于当实际制造中尺寸的偏离，所得到的特性可能会不同，因此了解哪种逆向设计方法可以找到最鲁棒的设计具有实际意义。

为此，课题组进行了数值实验，通过测量存在制造误差时不同逆向设计方法所得光学特性偏移，来比较逆向设计的鲁棒性。

纳米光子逆向设计最常见的深度学习模型是串联神经网络、变分自编码器和生成对抗网络。为了了解每种方法的相对优势并指导研究人员选择适合其特定需求的最佳模型，作者提供了每种模型相对性能的详细比较。他们选择了两种不同的逆向设计任务，其中纳米光子结构基于模板或自由形式。该研究组在两种典型类型的纳米光子设计任务上对逆向设计方法进行基准测试，并认为这项工作的结论也广泛适用于其他的设计任务。

下表展示了这项工作的主要结论：

表1 基于深度学习的逆向设计模型性能比较

模型	准确度	多样性	鲁棒性
串联神经网络	☆☆☆	☆	☆☆
变分自编码器	☆☆☆	☆☆	☆☆☆
对抗生成网络	☆☆	☆☆☆	☆☆

串联神经网络和变分自编码器可以提供比生成对抗网络更准确的逆向设计，而生成对抗网络可以提供比串联网络和变分自编码器更高的多样性。此外，变分自编码器可以提供比其他两种模型稍微更稳健的设计结构。他们在两个逆向设计问题中都获得了一致的结果。

因此，研究人员给出如下建议：

如果研究人员更关心准确性，则首选串联神经网络或变分自编码器；如果制造的容易性很重要，那么生成对抗网络是最好的模型，因为它具有出色的设计多样性。

在这项工作中，这些对每个神经网络模型的详细讨论可以指导科技人员根据不同的需求选择他们的模型。

数据集和代码也在线共享以方便该领域其他研究人员使用(相应链接请查看论文参考文献51：https://www.oejournal.org/article/doi/10.29026/oes.2022.2100‍12)。

研究团队简介

郭教授团队所从事的研究高度跨学科，涵盖的主题包括基于聚合物的光子器件和传感器应用、柔性透明导体、结构色和超表面、光伏 OLED 和光电探测器、纳米制造技术，以及近期对基于机器学习的光学逆向设计的探讨。他的团队在国际期刊上发表了约 250 篇科技论文，这些论文得益于课题组内来自电子工程与光学、高分子科学与工程、应用物理和机械工程学生们多年的努力与知识积累。该实验室开发的几项技术已经找到了工业应用，包括两家科技初创公司正在将柔性透明导体和结构色推向商业化。

郭凌杰教授研究组成员

论文原文：

Ma TG, Tobah M, Wang HZ, Guo LJ. Benchmarking deep learning-based models on nanophotonic inverse design problems. Opto-Electron Sci 1, 210012 (2022).

在线阅读及免费下载网址：

https://www.oejournal.org/article/doi/10.29026/oes.2022.2100‍12

免责声明：本文旨在传递更多科研资讯及分享，所有其他媒、网来源均注明出处，如涉及版权问题，请作者第一时间后台联系，我们将协调进行处理，所有来稿文责自负，两江仅作分享平台。转载请注明出处，如原创内容转载需授权，请联系下方微信号

【声明】内容源于网络

两江科技评论

聚焦“光声力热”超构材料、凝聚态物理、生物医学、智能制造等领域，打造科研人便捷的交流平台，发布优质新鲜的科研资讯。

内容 6001

粉丝 0

两江科技评论聚焦“光声力热”超构材料、凝聚态物理、生物医学、智能制造等领域，打造科研人便捷的交流平台，发布优质新鲜的科研资讯。

总阅读1.9k

粉丝0

内容6.0k