Anchor-Controlled Generative Adversarial Network for High-Fidelity Electromagnetic and Structurally Diverse Metasurface Design

要約

サブ波長スケールで光を操作できるメタサーフェスは、オプトエレクトロニクス・アプリケーションを発展させる大きな可能性を秘めている。生成モデル、特にGenerative Adversarial Networks（GAN）は、複雑な設計空間を効率的にナビゲートし、基礎となるデータ・パターンを捉えることによって、メタサーフェスの逆設計に有望なアプローチを提供する。しかし、既存の生成モデルは、高い電磁気的忠実度と構造的多様性を達成するのに苦労しています。これらの課題は、学習中に明示的な電磁気的制約がないため、正確な構造から電磁気的応答へのマッピングができないことや、1対多のマッピングジレンマを扱うメカニズムがないため、構造多様性が不十分であることから生じる。これらの問題に対処するために、我々は、電磁気的忠実性と構造的多様性の両方を向上させる新しいフレームワークであるアンカー制御生成アドバーサリアルネットワーク（AcGAN）を提案する。高い電磁気的忠実度を達成するために、AcGANは正確なスペクトル忠実度評価のためのスペクトル重なり係数（SOC）を提案し、構造から電磁気へのマッピングを改良するために電磁気的性能に関するリアルタイムフィードバックを提供するアンカーネットを開発する。構造の多様性を高めるために、AcGANは、入力処理を洗練し、マルチレベルのスペクトル統合を保証するクラスタ誘導制御器を組み込み、同じスペクトルターゲットに対して複数の構成を探索するように生成プロセスを誘導する。さらに、動的損失関数は、データ駆動型学習から、スペクトル忠実度と構造多様性の両方を最適化することに徐々に焦点を移す。実証分析によると、AcGANは、現在の最先端のGAN手法と比較して、平均二乗誤差（MSE）を73％削減し、正確なスペクトル要求を満たす多様なメタサーフェスアーキテクチャを生成するための設計空間を大幅に拡張する。

要約(オリジナル)

Metasurfaces, capable of manipulating light at subwavelength scales, hold great potential for advancing optoelectronic applications. Generative models, particularly Generative Adversarial Networks (GANs), offer a promising approach for metasurface inverse design by efficiently navigating complex design spaces and capturing underlying data patterns. However, existing generative models struggle to achieve high electromagnetic fidelity and structural diversity. These challenges arise from the lack of explicit electromagnetic constraints during training, which hinders accurate structure-to-electromagnetic response mapping, and the absence of mechanisms to handle one-to-many mappings dilemma, resulting in insufficient structural diversity. To address these issues, we propose the Anchor-controlled Generative Adversarial Network (AcGAN), a novel framework that improves both electromagnetic fidelity and structural diversity. To achieve high electromagnetic fidelity, AcGAN proposes the Spectral Overlap Coefficient (SOC) for precise spectral fidelity assessment and develops AnchorNet, which provides real-time feedback on electromagnetic performance to refine the structure-to-electromagnetic mapping. To enhance structural diversity, AcGAN incorporates a cluster-guided controller that refines input processing and ensures multi-level spectral integration, guiding the generation process to explore multiple configurations for the same spectral target. Additionally, a dynamic loss function progressively shifts the focus from data-driven learning to optimizing both spectral fidelity and structural diversity. Empirical analysis shows that AcGAN reduces the Mean Squared Error (MSE) by 73% compared to current state-of-the-art GANs methods and significantly expands the design space to generate diverse metasurface architectures that meet precise spectral demands.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL