AI가 게임에 추가되고 있으며 초광학이 붐을 이루는 시대로 접어들고 있습니다.
빛은 우리가 사는 세상에서 중심적인 역할을 합니다. 바로 빛의 중요성과 독특성 때문에 갈릴레오, 뉴턴, 맥스웰, 아인슈타인과 같은 과학 거장들은 모두 빛을 연구하는 데 헌신했습니다. 광학 연구는 오랜 역사를 가지고 있다고 할 수 있다. 그러나 기술의 발전과 인간의 욕구의 지속적인 향상으로 인해광학 연구의 일부 한계가 점차 분명해지고 있습니다.
기존의 광학 이미징은 하드웨어 기능과 이미징 성능 측면에서 물리적 한계에 다다르고 있으며, 더 이상 많은 분야의 응용 프로그램 요구 사항을 충족시킬 수 없습니다. 이러한 과제를 해결하기 위해 최근 몇 년 동안새로운 다학제 분야인 "계산 광학 이미징"이 등장했습니다.올해 초 알리바바 다모 아카데미가 선정한 2023년 10대 기술 트렌드 중 하나로 선정됐습니다.
전문가에 따르면, 전통적인 광학 이미징과 비교해 계산 광학 이미징은 디지털화와 정보 기술을 광학 설계에 깊이 통합하고, 소프트웨어와 하드웨어를 통합하며, 컴퓨팅을 통해 광학 이미징에 새로운 "생명"을 불어넣습니다. 연구 내용은 FlatCAM, 초광학 기술 등 광범위한 범위를 포괄합니다. 이와 관련하여 Bloomberg는 작년 말에 다음과 같은 의견 기사를 발표했습니다.계산 광학 이미징메타 옵틱스는 올해 폭넓은 주목을 받을 것으로 예상되며, 향후 10년 동안 혁신을 가져올 것으로 기대됩니다.
그러면, 계산 광학 이미징의 한 분야는 다음과 같습니다.초광학이란 정확히 무엇인가요? 왜 이렇게 빨리 발전했을까?그 이유를 살펴보면, 앞서 언급한 디지털화와 정보화의 융합 과정에서는 당연히 없어서는 안 될 핵심 요소가 있습니다. 바로 인공지능(이하 AI)입니다.
다음으로, 이 글에서는 "메타광학에서의 인공지능"이라는 논문에 초점을 맞출 것이다.AI와 초광학의 결합을 시작으로 관련 분야의 최신 연구 성과를 자세히 소개합니다.과학 연구자들에게 영감을 제공하고자 합니다.
메타광학의 핵심 개념 개요
이상적인 고전 광학에서 두 가지 매질에서 빛이 전파되는 과정은 매질에서의 빛의 속도와 두 매질의 광학적 특성(예: 빛의 굴절, 반사)과 관련이 있습니다.메타물질의 등장으로 이러한 광학적 행동이 바뀌었습니다.
구체적으로,메타표면은 나노구조의 배열로 구성되어 있습니다.초원자라고도 하며, 각각이 빛의 2차 점원으로 간주됩니다. 입사광이 이 계면에 닿으면 나노구조는 입사광의 광학적 특성을 바꾸고 새로운 전자기파를 다시 방출합니다. 메타표면의 위상 분포를 효과적으로 제어함으로써, 입사광의 파면을 고유한 속성과 새로운 기능으로 재구성할 수 있습니다.
초광학 처리는 이론적 설계와 실제 응용을 연결하는 직접적인 방법입니다.현재, 다양한 목적에 맞춰 가공 기술도 잘 발달되어 있는데, 예를 들어 파장 이하 규모, 구조 조각, 대면적, 고종횡비, 고출력 등이 있습니다.
이와 관련하여,연구자들은 소개했다광 메타소자 처리 기술,그 중 가장 일반적으로 사용되는 가공 방법으로는 광리소그래피, 전자빔 리소그래피(EBL), 집속 이온빔(FIB) 리소그래피, 나노임프린팅, 레이저 직접 기록 및 3D 프린팅 등이 있습니다. 이러한 진보된 처리 방법을 통해 슈퍼 디바이스의 응용이 더욱 확대될 수 있습니다.
광학적 요구 사항을 충족하기 위해 특수 광학 기능을 갖춘 새로운 메타장치가 개발되었습니다. 메타디바이스의 가장 큰 장점은 독특한 특성, 소형 크기, 가벼운 무게, 높은 효율성, 더 나은 성능, 광대역 작동, 낮은 에너지 소비, 데이터 용량 감소, 대량 생산을 위한 CMOS 호환성입니다.광학 메타소자는 빔 성형, 비정상적 굴절 및 반사, 편광 제어 및 분석과 같은 기술 면에서 잘 개발되었습니다.
AI를 활용하여 큰 진전을 이루다
수평축은 연도를 나타내고, 수직축은 연간 출판물의 수를 나타냅니다.
위 그림에서 볼 수 있듯이 AI와 초광학의 발전 추세는 거의 동일하며, 두 분야 모두 2012년경부터 급속한 성장기를 맞이하게 되었다. 본 연구에서는연구자들은 구체적으로 분석했습니다. 메타광학의 직접 및 역문제에 대한 AI의 응용, 메타표면 시스템을 기반으로 한 데이터 분석, 지능형 프로그래밍 가능 메타 장치.
대리 모델링
광학적 특성 모델링
AI, 특히 딥러닝은 광학 시뮬레이션을 위한 직접적이고 효율적인 획기적인 지름길을 제공합니다. 최근 몇 년 동안 AI를 에이전트 모델링에 적용하여 놀라운 성과를 거두었습니다. 대리 모델에서 ANN은 종종 메타 원자의 광학적 반응을 대략적으로 예측하는 데 사용됩니다. 그리고,특정 설계 작업에서는 대체 모델에 사용된 ANN이 최적의 솔루션입니다.
2019년에MIT 재료 과학 및 공학과의 박사후 연구원인 Sensong An과 Clayton Fowler 및 기타 연구자들은 다음과 같이 제안했습니다.Predicting NN이라고 불리는 딥 신경망은30~60 THz 범위에서 모든 유전체 메타 원자의 진폭 및 위상 응답을 모델링합니다.
아래 그림 a에서 볼 수 있듯이, 예측 NN의 입력은 기하학적 매개변수이고, 출력은 실수 또는 가상 투영 계수입니다. 센송 안, 클레이튼 파울러 등은 각각 실제 부분과 가상 부분을 예측하기 위해 두 개의 DNN을 개발했습니다. 필요한 진폭 및 위상 응답은 투영 계수를 사용하여 추가로 계산됩니다.이 간접적인 작업은 다음 때문에 발생합니다.일반적인 메타원자 진폭과 위상 응답은 공진 주파수 근처에서 급격히 변합니다.
(a) 원통형 메타원자의 진폭 및 위상 예측
(b) 자유형 완전 절연 메타원자의 진폭 및 위상 예측
(c) 대체 재료 쉘 나노입자의 산란 단면 예측
(d) 16면 다각형 초원자의 회절 효율 예측
(e) DNN을 이용한 자유형 표면 초원자의 흡수 스펙트럼 예측
(f) CNN과 RNN을 이용한 자유형 표면 초원자의 흡수 스펙트럼 예측
ANN의 예측 성능은 급격한 비선형성의 강회귀로 인해 공명 부분에서 크게 저하되므로, 저자는 혁신적으로 산란 계수의 서로 다른 연속 실수 부분과 가상 부분을 예측 대상으로 사용했습니다. 밀리초의 속도로원통형과 "H"자형 초원자의 예측 정확도는 99% 이상으로, 기존 시뮬레이션보다 600배 빠릅니다.
2020년에 센송 안, 클레이튼 파울러 등은 CNN을 사용하여 동일한 작업 대역에서 메타 원자의 진폭과 위상을 특성화하는 새로운 방법을 제안했습니다. 차이점은,모델링 객체는 단순한 구조가 아니라 다양한 재료 속성을 지닌 자유형 구조입니다.위의 그림 b에 표시된 대로.
설계된 자유형 표면에는 2D 패턴 이미지, 격자 크기, 구조 두께, 재료 굴절률이 포함됩니다. CNN의 헤드는 두 개의 입력 브랜치로 나뉩니다. 하나는 2D 패턴 이미지를 처리하고 다른 하나는 다양한 속성의 인덱스를 처리합니다. 다운샘플링과 업샘플링 절차를 통해 두 개의 분기가 일치하는 차원의 피처 맵으로 재결합됩니다. 출력은 여전히 산란 계수의 실수부와 허수부의 형식으로 되어 있습니다.
이전 연구와 비교했을 때, 이 접근 방식은 더 많은 훈련 데이터를 사용하고 자유형 표면 설계에 더 많은 능력을 제공합니다. 또한,동일한 하드웨어 조건에서 예측 속도는 기존 시뮬레이션보다 9000배 더 빠릅니다.이 역시 이전 연구보다 상당히 뛰어납니다.
성과 평가
대체 모델의 효과성을 평가하기 위해 해당 모델의 정확도를 맥스웰 방정식을 푸는 기존 시뮬레이션 도구와 비교하는 경우가 많습니다. 일반적으로 대부분의 프록시 모델은 다양한 광학적 특성 측면에서 높은 충실도를 보입니다. 합격된 정확도 외에도,프록시 모델은 기존 시뮬레이션보다 훨씬 빠릅니다.
(a) 자유형 표면 구조의 흡수 스펙트럼
(b) “H”자 모양 메타원자의 진폭 및 위상 응답
(c) TE 및 TM 모드에서 나노로드의 전방 및 후방 산란과 내부 전기장 분포(위)
(d) 반사 스펙트럼 및 해당 CD 스펙트럼
(e) 실제 공정 설계 측정을 사용하여 전송 스펙트럼을 확인합니다.
(f) 디지털 시뮬레이션과 딥러닝 기반 프록시 모델의 계산 시간 비교
ANN을 이용한 대리 모델링을 요약하면, 다음 표에서는 직접적인 비교와 이해를 위한 흥미로운 정보를 나열했습니다. 양성자부터 유전체 초원자까지, 표에 나열된 물질은 일반적인 금속과 유전체를 망라합니다. 표에서 선택된 참조는 서로 다른 모델링 응답을 갖습니다.현재를 증명하세요프록시 모델은 초원자의 구조적 기하학으로부터 거의 모든 일반적인 광학적 특성을 배울 수 있습니다.
그러나 맥스웰 방정식의 근사적 풀이로서,프록시 모델에는 세 가지 단점이 있습니다.
* 프록시 모델의 성능은 훈련 데이터 구성에 따라 제한됩니다. 각 모델은 특정 조건(투과율, 반사율, 편광 등)과 특정 작동 파장에서만 작동할 수 있습니다.
* 일부 프록시 모델의 성능은 공진 주파수에서 저하됩니다.
* 학습 데이터를 생성하는 과정은 노동 집약적이고 지루한 작업입니다.
그럼에도 불구하고 ANN 기반 대리 모델은 기존 시뮬레이션 도구보다 훨씬 빠르며, 속도 외에도 대리 모델은 또 다른 장점을 가지고 있습니다. 메타광학의 역설계에서는 실시간 시뮬레이션 응답이 필요합니다. 현재 상용 소프트웨어와 비교했을 때,ANN 기반 대체 모델은 역설계 방식에 쉽게 통합될 수 있으며 설계 자유도가 더 높습니다.
역방향 디자인
그래디언트 기반 신경망
사용하는 모델의 종류에 따라딥러닝 지원 역설계는 두 부분으로 나눌 수 있습니다.
1. 판별모형을 기반으로
2. 생성 모델을 기반으로
판별 모형에 기초한 역설계 방법은 두 가지 범주로 더 나눌 수 있다. 첫 번째 범주는 설계 매개변수를 입력 위치에 두고, 목표 응답을 출력으로 하여 역전파를 통해 설계 매개변수에 영향을 미치는 것입니다. 이런 유형의 설계 솔루션은 간단하지만 반복적 최적화 방법으로는 시간이 많이 걸립니다.두 번째 유형은 더 직접적이기 때문에 주류를 이루는 방법입니다.즉, 기대값이 주어지면 NN은 예측값을 출력합니다.
(a) S 매개변수의 목표 광학 특성 및 흡수율
(b) 제안된 설계 워크플로
(c) 연구 중인 모델의 3D 그래픽은 행렬로 표현될 수 있습니다.
NN 기반 역설계는 광학 지식이 덜 필요합니다. ANN은 시스템에 대한 대략적인 솔루션만 제공할 뿐, 이는 목표 요구 사항과 정확히 일치하지 않습니다. 대부분 방법은 수요에 따라 설계할 경우 70%+의 정확도를 보이는데, 이는 매우 빠른 속도입니다. 역설계의 전통적인 시행착오법은 시간이 많이 걸리고 솔루션의 정확성을 보장할 수 없습니다. 차이점에도 불구하고,그러나 제안된 해결책은해결책이 없는 것보다는 낫죠.
기울기 없는 진화 계산
진화 계산은 AI의 중요한 분야이며 유전 알고리즘, 진화 알고리즘, 개미 군집 알고리즘, 입자 군집 알고리즘을 포함한 메타휴리스틱 알고리즘 계열입니다. 이는 생물학적 진화 과정을 모방하고 컴퓨터 프로그램의 반복적 과정을 통해 인종적 번식 과정을 시뮬레이션합니다. 돌연변이는 각 세대마다 작은 무작위적 변화로 도입되고, 표준 이하 솔루션은 선택을 통해 삭제됩니다. 궁극적으로 최적의 솔루션은 이러한 진화를 통해 얻어집니다.진화적 계산은 종종 전역 최적화 알고리즘의 집합으로 간주됩니다.
유전 알고리즘(GA)은 가장 흔히 사용되는 진화 컴퓨팅 전략 중 하나입니다. 또한,최근 몇 년 동안 GA는 메타표면의 역설계를 매우 용이하게 해줍니다.예를 들어, 슈퍼렌즈, 테라헤르츠 1/4 파장판, 프로그래밍 가능 메타물질, 파장 이하 격자 광학 등이 있습니다.
데이터 분석
AI는 또한 초광학 분야에서 강력한 데이터 분석 능력을 입증했습니다.유사한 응용 분야로는 메탈렌즈에서 포착한 이미지에 대해 컴퓨터 비전 작업을 수행하는 것이 있습니다. AI는 일반적으로 이미지 분석, 마이크로파 신호, 적외선 스펙트럼 정보 등 메타표면에서 읽을 수 없는 데이터를 처리하는 데 사용됩니다.
(ac) 화학 성분 분류 작업을 위한 데이터 분석
(a) 메타표면 화학 분류기의 개략도
(b) 각 화학물질의 투과 스펙트럼
(c) PCA를 통해 첫 번째 두 주성분(위)과 첫 번째 세 주성분의 분류 결과를 시각화한 모습
(dg) 음향 영상의 데이터 분석
(d) 실험 구성의 개략도
(e) 서브파장 시그니처 정보를 포함하는 고진폭 파동 벡터 성분이 포함된 파동의 전파(왼쪽)와 메탈렌즈가 있는 경우(오른쪽)의 모습.
(f) 방사선원에서 백엔드 재구성 및 식별까지의 데이터 흐름
(g) 슈퍼렌즈를 사용하지 않은 경우(위)와 슈퍼렌즈를 사용한 경우(아래) 원거리 정보의 재구성 및 인식 결과
지능형 프로그래밍 가능 슈퍼 디바이스
AI의 도움으로 프로그래밍 가능한 메타표면 기반 시스템은 CPU가 설치된 컴퓨터처럼 작동합니다. 프로그래밍 가능하거나 재구성 가능한 메타표면이 AI와 결합되면, 두 표면 사이의 데이터 흐름은 루프를 형성합니다. AI는 광학 데이터를 수집하고 처리하는 역할을 담당합니다.데이터를 처리하고 프로그래밍 가능한 메타표면의 재구성을 조절합니다.
이를 통해 메타표면은 일반적인 광학 회절 요소에서 입력 데이터를 이해하고 실시간으로 응답하는 지능형 요소로 진화할 수 있습니다.
(ac) 지능형 이미저
(b) 16개의 방사선 패턴과 머신 러닝에 의해 생성된 해당 패턴
(c) 두 가지 경우에 대한 서로 다른 측정 시간(100, 200, 400 및 600)에서의 머신 러닝 기반 이미징 결과.
(d) 지능형 이미지 및 인식기
(e) 스마트한 망토
위에서 논의한 스마트 슈퍼 디바이스 외에도,AI로 구동되는 프로그래밍 가능한 메타표면또한 실시간 복합 빔포밍을 구현하고 3차원 지각을 형성할 수도 있습니다.
슈퍼 디바이스 시대가 도래할지도 모른다
미국의 컨설팅 회사인 럭스 리서치(Lux Research)가 발표한 신흥 광학 및 광자 기술 보고서에 따르면, 메타광학 소재가 상업적으로 활용되고 있다고 합니다.그리고2030년까지 수십억 달러 규모의 시장을 형성할 것으로 예상됩니다.
~에 의해대표적인 국제 메타서피스 기업인 Metalenz와 NIL Technology의 사례를 살펴보면, 이들의 상용화 진행 상황은 다음과 같습니다.Metalenz는 메타광학 기술과 반도체 제조 공정을 결합하여 STMicroelectronics의 12인치 웨이퍼 파운드리에서 대량 생산을 달성하고 STMicroelectronics의 FlightSense 시리즈 ToF 거리 측정 센서 VL53L8에 메타렌즈를 적용합니다. NIL Technology는 설계, 프로토타입 제작, 테스트 및 특성화, 제조 역량을 포함한 완벽한 메탈렌즈 산업 체인을 구축했으며, 메탈렌즈 출하를 달성했습니다.
올해는 주목할 만한 점이 있습니다.Metalen은 인수를 발표했습니다.벤처 캐피털에 1,000만 달러 규모의 새로운 투자가 이루어졌습니다.회사의 공동 창립자이자 CEO인 로버트 데블린은 "현재 모듈에서 최대 6개의 기존 광학 장치를 단일 메타 광학 장치로 교체할 수 있으며, 동시에 시스템 수준의 성능을 향상시킬 수 있습니다."라고 말했습니다.
슈퍼렌즈로 대표되는 슈퍼소자가 실험실에서 산업계로 진출하면서 점차 최첨단 광학기술의 핫스팟으로 자리 잡고 광학산업에 혁명을 가져올 것으로 기대됩니다. 그 중에서도 AI는 메타광학의 발전에 중요한 역할을 합니다. AI를 초광학에 적용하면 복잡한 광학 설계를 해결하고 새로운 기능의 요구 사항을 충족하는 동시에 문제에 대한 최상의 솔루션을 빠르게 얻을 수 있습니다. 따라서 그것은 확실하다두 기술의 결합은 첨단 광칩의 연구 개발에 더욱 기여하고 차세대 광소자 및 시스템의 빠른 실현을 촉진할 것입니다.
참조 링크:
[1]https://baijiahao.baidu.com/s?id=1755507538405155365&wfr=거미&for=pc
[2]https://zhuanlan.zhihu.com/p/540485936
서류 주소: