AIが増加、超光学は急発展の時代へ
私たちが住む世界では、光が中心的な役割を果たしています。ガリレオ、ニュートン、マクスウェル、アインシュタインといった科学の巨人たちが光の研究に力を注いできたのは、光の重要性と特異性があるからこそであり、光の研究には長い歴史があると言えます。しかし、テクノロジーの発展と人間のニーズの継続的な改善により、光学研究におけるいくつかの限界が徐々に明らかになってきています。
従来の光学イメージングは、ハードウェア機能やイメージング性能の点で物理的な限界に近づき、多くの分野でアプリケーションのニーズを満たすことができなくなりました。この課題に対処するために、近年、「計算光学イメージング」という新たな学際的分野が歴史的な瞬間に現れました。今年の初めに、Alibaba Damo Academyによって2023年のトップ10テクノロジートレンドに選ばれました。
専門家によると、従来の光学イメージングと比較して、計算光学イメージングはデジタル化と情報化を光学設計に深く統合し、ソフトウェアとハードウェアを統合し、計算を通じて光学イメージングに新しい「生命」を注入します。その研究内容は、FlatCAMを含む幅広い範囲に及びます。 、超光学技術など。この点に関して、ブルームバーグは昨年末に次のようなオピニオン記事を掲載した。計算光学イメージングにおけるメタオプティクス技術は、今年広く注目を集め、今後 10 年間で変革を起こすと予想されています。
次に、計算光学イメージングの分野の 1 つ超光学とは一体何でしょうか？なぜこれほど急速に発展することができるのでしょうか？その理由をさらに深く考えてみると、前述のいわゆるデジタル化と情報化の融合には、必然的に人工知能（以下、AI）という重要な要素が関わってきます。
次に、この記事では「メタ光学における人工知能」という論文に焦点を当てます。AIと超光学の組み合わせをはじめ、関連分野の最新の研究成果を詳しく紹介します。科学研究者にインスピレーションを与えるため。
超光学の主要な概念の概要
理想的な古典光学では、2 つの媒質内の光の伝播は、媒質内の光の速度と、光の屈折や反射などの 2 つの媒質の光学特性に関係します。メタサーフェス (メタマテリアル) の出現により、この光学的な動作が変化しました。
具体的には、メタサーフェスには一連のナノ構造が含まれており、超原子としても知られるこれらのそれぞれは、二次点光源とみなされます。入射光がこの界面に遭遇すると、ナノ構造は入射光の光学特性を変化させ、新たな電磁波を再放射します。メタ表面の位相分布を効果的に制御することにより、入射光の波面を独特の特性と新しい機能で再構成できます。
メタ光学の処理は、理論的な設計と実際のアプリケーションを結び付ける直接的な方法です。現在、サブ波長スケール、構造彫刻、大面積、高アスペクト比、高出力など、さまざまな目的に合わせた加工技術も発達しています。
この点について、研究者らが紹介したのは、光メタデバイス処理技術、その中で最も一般的に使用される加工方法は、フォトリソグラフィー、電子ビームリソグラフィー (EBL)、集束イオンビーム (FIB) リソグラフィー、ナノインプリンティング、レーザー直接描画、および 3D プリンティングです。これらの高度な処理方法により、メタデバイスをさらに適用することができます。
光学的なニーズを満たすために、現在、いくつかの新しい特殊な光学機能メタデバイスが登場しています。メタデバイスの大きな利点は、新しい機能、コンパクトなサイズ、軽量、高効率、優れたパフォーマンス、ブロードバンド動作、低エネルギー消費、データ量の削減、および CMOS 互換性であり、大量生産に使用できます。光学メタデバイスは、ビーム整形、異常な偏向と反射、偏光制御と分析などの技術で十分に開発されています。
AIを活用して進歩を遂げる
横軸は年、縦軸は年間の出版数を表します。
上図からもわかるように、AIと超光学の2つの分野の発展傾向はほぼ同じであり、2012年頃から両分野とも急成長期を迎えています。この研究では、研究者らは詳しく分析した メタ光学における直接問題および逆問題における AI の応用、メタ表面システムに基づくデータ分析、およびインテリジェントなプログラム可能なメタデバイス。
サロゲートモデリング
光学特性モデリング
AI、特にディープラーニングは、光学シミュレーションに直接的かつ効率的な画期的なショートカットを提供します。近年、AI はエージェント モデリングにおいて目覚ましい成果を上げています。サロゲート モデルでは、ANN は超原子の光学応答の近似予測子としてよく使用されます。そして、特定の設計タスクでは、サロゲート モデルの ANN が最適なソリューションです。
2019年、マサチューセッツ工科大学材料科学工学部のポスドク、センソン・アン氏とクレイトン・ファウラー氏はこう提案した。Predicting NNと呼ばれるディープニューラルネットワーク、30 ～ 60 THz の範囲の全誘電体超原子の振幅と位相応答をモデル化します。
以下の図 a に示すように、予測 NN の入力は幾何学的パラメーターであり、出力は実射影係数または仮想射影係数です。 Sensong An と Clayton Fowler らは、現実の部分と仮想の部分をそれぞれ予測する 2 つの DNN を開発しました。必要な振幅応答と位相応答は、射影係数を使用してさらに計算されます。この間接的な操作が行われる理由は、典型的な超原子の振幅および位相応答は、共鳴周波数付近で突然変化します。
(a) 円筒形超原子の振幅と位相の予測
(b) 自由曲面上の完全に絶縁性の超原子の振幅と位相の予測
(c) 物質殻交互ナノ粒子の散乱断面積の予測
(d) 16角形超原子の回折効率の予測
(e) DNNによる自由曲面超原子の吸収スペクトルの予測
(f) CNN および RNN による自由曲面超原子の吸収スペクトル予測
ANN の予測パフォーマンスは、鋭い非線形性の硬回帰により共鳴時に大幅に低下するため、著者らは散乱係数の異なる連続実部と仮想部を予測ターゲットとして革新的に使用しています。ミリ秒の速度で、円筒形および「H」形の超原子の予測精度は 99% 以上に達し、これは従来のシミュレーションより 600 倍高速です。
2020 年、Sensong An 氏、Clayton Fowler 氏らは、CNN を使用して同じ作業帯域内の超原子の振幅と位相を特徴付ける新しい方法を提案しました。違いは、モデリング オブジェクトは、単純な構造ではなく、さまざまな材料特性を備えた自由形状の構造です。上の図 b に示すように。
設計された自由曲面には、2D パターン イメージ、格子サイズ、構造の厚さ、材料の屈折率が含まれます。 CNN の先頭は 2 つの入力ブランチに分割されます。 1 つは 2D パターン イメージを処理し、もう 1 つはさまざまな属性のインデックス付けを処理します。ダウンサンプリングおよびアップサンプリング手順を通じて、これら 2 つのブランチは、一致する次元の特徴マップに再結合されます。出力は、散乱係数の実部と仮想部の形式のままです。
このアプローチでは、以前の作業よりも多くのトレーニング データが使用され、自由曲面設計のパフォーマンスが向上します。また、同じハードウェア条件下で、予測速度は従来のシミュレーションよりも 9000 倍速く、これも前作を大きく上回っています。
性能評価
代理モデルの有効性を評価するために、その精度がマクスウェル方程式を解く従来のシミュレーション ツールと比較されることがよくあります。一般に、ほとんどの代理モデルは、さまざまな光学特性に関して高い忠実度を示します。認定された精度に加えて、エージェント モデルは、従来のシミュレーションよりも桁違いに高速です。
(a) 自由曲面構造の吸収スペクトル
(b) 「H」型超原子の振幅と位相応答
(c) TE および TM モードにおけるナノロッドの前方散乱および後方散乱と内部電場分布 (上)
(d) 反射スペクトルと対応する CD スペクトル
(e) 実際の処理設計の測定による透過スペクトルの検証
(f) 数値シミュレーションとディープラーニングベースのエージェントモデルの計算時間の比較
ANN を使用したエージェント モデリングを要約するために、次の表に、直接比較して理解するための注目すべき情報をリストします。陽子から誘電体超原子まで、表にリストされている材料は一般的な金属と誘電体をカバーしています。表内で選択された参照には、異なるモデル化された応答が含まれています。現在を証明するサロゲート モデルは、超原子の構造幾何学からほぼすべての一般的な光学特性を学習できます。
ただし、マクスウェル方程式の近似ソルバーとして、代理店モデルには次の 3 つの欠点もあります。
* プロキシ モデルのパフォーマンスはトレーニング データの構築によって制限され、各モデルは特定の条件 (透過率、反射率、偏光率など) および特定の動作波長の下でのみ実行できます。
*一部のプロキシ モデルの性能は共振周波数で低下します。
* トレーニング データの生成プロセスは、多大な労力と退屈な作業です。
それにもかかわらず、ANN に基づくエージェント モデルは、従来のシミュレーション ツールよりも何桁も高速であり、高速であることに加えて、エージェント モデルには別の利点もあります。スーパーオプティクスのリバースデザインでは、リアルタイムのアナログ応答が必要です。現在の市販ソフトウェアと比較すると、ANN に基づくエージェント モデルは、逆計画ソリューションに簡単に統合でき、設計の自由度が高まります。
リバースデザイン
勾配ベースのニューラル ネットワーク
使用するモデルの種類によっては、深層学習を利用したリバース デザインは、次の 2 つの部分に分けることができます。
1. 判別モデルに基づく
2. 生成モデルに基づく
判別モデルに基づく逆設計法は、さらに 2 つのカテゴリに分類できます。1 つ目のカテゴリは、入力位置に設計パラメータを配置し、出力としての目標応答がバックプロパゲーションを通じて設計パラメータに影響を与えます。このタイプの設計ソリューションはシンプルですが、反復的な最適化手法として時間がかかります。2 番目のカテゴリはより直接的であるため、主流の方法です。つまり、期待値が与えられると、NN は予測値を出力します。
(a) 目標とする光学特性とSパラメータの吸収率
(b) 推奨される設計ワークフロー
(c) マトリックスで表現できる研究中のモデルの 3D グラフィックス
NN ベースの逆設計では、必要な光学的知識が少なくなります。 ANN が提供するものはシステムに対する近似的な解決策にすぎず、ターゲットの要件とまったく同じではありません。ほとんどのメソッドは、オンデマンドで設計すると 70%+ の精度を示し、非常に高速です。従来の試行錯誤モデルを使用したリバース デザインは時間がかかり、ソリューションの精度を保証できません。違いはあるものの、しかし、提案された解決策は解決策がないよりはマシです。
無勾配進化計算
進化的コンピューティングは AI の重要な分野であり、遺伝的アルゴリズム、進化的アルゴリズム、アリのコロニー アルゴリズム、粒子群アルゴリズムなどのメタヒューリスティック アルゴリズムのファミリーです。これは、生物学的進化のプロセスを模倣し、コンピューター プログラムの反復プロセスを通じて人種の生殖プロセスをシミュレートします。各世代では、小さなランダムな変化として突然変異が導入され、標準以下のソリューションは選択によって破棄されます。この進化を通じて最終的に最適解が得られます。進化的計算は通常、大域的な最適化アルゴリズムの集合として考えられます。
遺伝的アルゴリズム (GA) は、最も一般的に使用される進化的コンピューティング戦略の 1 つです。また、近年では GA はメタサーフェスの逆設計を大幅に容易にします。メタレンズ、テラヘルツ 4 分の 1 波長板、プログラマブル メタマテリアル、サブ波長格子光学など。
データ分析
AIは超光学分野でも強力なデータ分析能力を実証した同様のアプリケーションには、メタレンズからキャプチャされた画像に対するコンピューター ビジョン タスクが含まれます。 AI は、画像分析、マイクロ波信号、赤外線スペクトル情報など、メタサーフェスから取得された読み取り不可能なデータを処理するためによく使用されます。
(ac) 化学組成分類タスクのためのデータ分析
(a) メタ表面化学分級器の模式図
(b) 各化学物質の透過スペクトル
(c) PCA による最初の 2 つの主成分 (上) と最初の 3 つの主成分の分類結果の可視化
(dg) 音響イメージングのデータ解析
(d) 実験構成の模式図
(e) メタレンズなし (左) とメタレンズあり (右) の、サブ波長特性情報を含む高振幅波数ベクトル成分の波動伝播
(f) 放射線源からバックエンドの再構成および識別までのデータの流れ
(g) ハイパーレンズなし（上）とハイパーレンズあり（下）の遠方場情報の再構成および識別結果
スマートなプログラム可能なメタデバイス
AI の助けを借りて、プログラム可能なメタサーフェスに基づくシステムは、CPU が搭載されたコンピューターに似ています。プログラム可能または再構成可能なメタサーフェスを AI と組み合わせると、それらの間のデータ フローがループを形成します。 AIは光学データの取得と処理を担当しますデータを管理し、プログラム可能なメタサーフェスの再構築を規制します。
これにより、メタサーフェスは通常の光回折素子から、入力データを理解し、それ自体でリアルタイム応答を返すスマート素子に進化することができます。
(ac) スマート イメージャー
(b) 機械学習によって生成された 16 個の放射パターンと対応するパターン
(c) 異なる測定数 (100、200、400、600) での 2 つのケースの機械学習によるイメージング結果
(d) インテリジェントなイメージャーと識別子
(e) スマートマント（マント）
上で説明したスマート メタデバイスに加えて、AI を活用したプログラム可能なメタサーフェスまた、リアルタイムの複雑なビームフォーミングを実現し、三次元の知覚を形成することもできます。
スーパーデバイスの時代が来るかもしれない
米国のコンサルティング会社ラックス・リサーチによる新たな光学およびフォトニクス技術に関する報告書では、超光学材料がすでに最初の商業展開の準備が整っていることが示されています。そして2030年までに数十億ドル相当の市場を占めるだろう。
による国際的に大手のメタサーフェス企業である Metalenz と NIL Technology を例に挙げると、次のような商業化の進展が見られます。Metalenz は、超光学技術と半導体製造プロセスを組み合わせて、STMicroelectronics の 12 インチウェハファウンドリでの大量生産を実現し、そのメタレンズを STMicroelectronics の FlightSense シリーズ ToF 測距センサー VL53L8 に適用します。NIL Technology は、設計、プロトタイピング、テストと特性評価、製造能力を備え、メタレンズの出荷を可能にします。
注目すべきは、今年に限っては、メタレンが買収を発表1,000万ドルのベンチャーキャピタルの新たなラウンド、共同創設者兼最高経営責任者（CEO）のロバート・デブリン氏は、「システムレベルのパフォーマンスを向上させながら、現在のモジュールにある最大6つの従来の光デバイスを1つの超光デバイスに置き換えることができる」と述べた。
メタレンズに代表されるメタデバイスは研究室から産業へと移行し、徐々に最先端の光学技術のホットスポットとなりつつあり、光学産業に革命をもたらすことが期待されています。中でも超光学の開発にはAIが重要な役割を果たしています。超光学にAIを適用することで、複雑な光学設計を解決し、問題に対する最適な解決策を迅速に得ることができると同時に、新しい機能のニーズにも応えることができることは間違いありません。両者の融合により、最先端の光チップの研究開発にさらに貢献し、次世代の光デバイスやシステムの早期実現が促進されることは間違いありません。
参考リンク:
[1]https://baijiahao.baidu.com/s?id=1755507538405155365&wfr=spider&for=pc
[2]https://zhuanlan.zhihu.com/p/540485936
用紙のアドレス: