AI太りすぎ、スーパーオプティクスがハリケーンの時代に突入

この記事は、HyperAI の WeChat パブリック アカウントから最初に公開されました ~
コンテンツの概要: 近年、従来の光学研究の限界を突破するために、光学と物理学の交差点であるハイパーオプティクスが出現し、巨大な市場の見通し。この技術の急速な発展の過程で、人工知能は独自の強力な機能でそれを推進する上で重要な役割を果たしてきましたが、両者はどのような火花で衝突したのでしょうか? この記事では、関連する一連の結果を読者に紹介します。

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、アインシュタインなどの科学の巨人が光の研究に専念したのは、光の重要性と独自性があるからこそであり、光の研究の歴史は長いと言えます。しかし、技術の発展と人間のニーズの継続的な改善に伴い、光学研究におけるいくつかの制限が徐々に明らかになりました。

従来の光学イメージングは​​、ハードウェア機能とイメージング性能の面で物理的な限界に近づいており、多くの分野でアプリケーションの要件を満たすことができません。この課題に対応するため、近年、時代の要請に応じて学際的な学際領域「計算光学イメージング」が台頭し、2023年初頭にアリババDAMOアカデミーによって2023年の技術動向トップ10の1つに選ばれました。年。

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、その研究は FlatCAM を含む広い範囲をカバーしています。光技術など この点に関して、ブルームバーグは昨年末にオピニオンの記事を発表し、計算光学イメージングにおけるメタオプティクス技術が今年広く注目を集め、次の 10 年で変化をもたらすと予想されていると述べています。

では、計算光学イメージングの分野の 1 つであるメタオプティクスとは正確には何なのでしょうか? なぜこれほど急速に発展できるのでしょうか。その理由を深く掘り下げてみると、前述のデジタル化と情報化の融合、いわゆる人工知能（以下、AI）には、当然ながら重要な要素が不可欠です。

次に、AIとメタオプティクスの組み合わせから始まる論文「メタオプティクスの人工知能」に焦点を当て、関連分野の最新の研究成果を詳しく紹介し、研究者の刺激になれば幸いです。

メタオプティクスの主要概念の概要

理想的な古典光学では、2 つの媒質内の光の伝搬は、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連しています。メタマテリアルの出現により、この光学的挙動が変化しました。

具体的には、メタサーフェスには、スーパーアトムとしても知られるナノ構造の配列が含まれており、それぞれが二次的な点光源として機能します。入射光がこの界面に当たると、ナノ構造が入射光の光学特性を変化させ、新しい電磁波を再放射します。メタサーフェスの位相分布を効果的に制御することにより、入射光の波面を独自の特性と新しい機能で再構築できます。

メタオプティクスの加工は、理論設計と実用化を直接結び付ける方法であり、現在、サブ波長スケール、構造彫刻、大面積、高アスペクト比、高スループットなどのさまざまな目的のために、加工技術もよく開発されています。

この点で、研究者は、光メタデバイス (Meta-Device) の加工技術を紹介しました。その中で、最も一般的に使用されている加工方法は、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、ナノインプリントです。レーザー直筆と3Dプリント。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できます。

光学要件を満たすために、新しい特別な光学機能を備えたメタデバイスがいくつかあります。ウルトラデバイスの大きな利点は、その新しい機能、コンパクトサイズ、軽量化、高効率、より優れたパフォーマンス、ブロードバンド動作、低消費電力、データ量の削減、および CMOS 互換性にあり、大量生産が可能です。光メタデバイスは、ビーム成形、異常な偏向と反射、偏光変調と分析の点で十分に開発されています。

AIを活用して暴走する

AIとメタオプティクスの開発動向横軸は年、縦軸は年間の出版数

上の図からわかるように、AIとメタオプティクスの2つの分野の開発動向はほぼ同じであり、2012年頃から高度成長期に突入しました。この研究では、研究者は、メタオプティクスにおける AI の順方向および逆方向の問題、メタサーフェス 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マブル メタデバイスのアプリケーションを具体的に分析しました。

代理モデリング

光学特性のモデリング

AI、特に深層学習は、光学シミュレーションの直接的かつ効率的なブレークスルー ショートカットを提供し、近年、AI を使用したエージェント モデリングは目覚ましい成果を上げています。代理モデルでは、ANN はスーパーアトムの光学応答のおおよその予測因子としてよく使用されます。また、特定の設計タスクでは、代理モデルの 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科の博士研究員 Sensong An と Clayton Fowler は、Predicting NN と呼ばれる深層ニューラル ネットワークを提案し、30 ～ 60 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した。テラヘルツ。

下の図 a に示すように、Predicting 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、それぞれ実部品と仮想部品を予測する 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。この間接的な操作は、共鳴周波数周辺のメタ原子に典型的な振幅および位相応答の突然の変化によるものです。

(a) 円柱超原子の振幅と位相の予測

(b) 自由曲面上の完全絶縁超原子の振幅と位相の予測

© alternate-material-shell ナノ粒子の散乱断面積予測

(d) 16 面の多角形超原子の回折効率予測

(e) DNNによるフリーフォーム表面超原子の吸収スペクトル予測

(f) CNN および RNN による自由形状表面超原子の吸収スペクトル予測

鋭い非線形ハード回帰により、ANN の予測性能は共鳴時に大幅に低下するため、著者は革新的に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使用します。ミリ秒の速度で、円柱型および「H」型の超原子が 99% 以上の精度で予測され、従来のシミュレーションよりも 600 倍高速でした。

2020 年、Sensong An と Clayton Fowler らは、CNN を使用して同じワーキング バンド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、上の図 b に示すように、モデリング オブジェクトが単純な構造ではなく、さまざまな材料特性を持つ自由形状の構造であることです。

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、および材料の屈折率が含まれます。CNN ヘッドは 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 つは異なるプロパティのインデックス作成を処理します。ダウンサンプリングとアップサンプリングの手順により、これら 2 つの分岐は、次元が一致する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。

以前の作業と比較して、この方法はより多くのトレーニング データを使用し、自由曲面設計のパフォーマンスを向上させます。さらに、同じハードウェア条件の下で、予測速度は従来のシミュレーションよりも 9000 倍高速であり、これも前作を大幅に上回っています。

性能評価

代理モデルの有効性を評価するために、その精度をマクスウェルの方程式を解く従来のシミュレーション ツールと比較することがよくあります。一般に、ほとんどのプロキシ モデルは、さまざまな光学特性において高い忠実度を示します。認定された精度に加えて、代理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」型超原子の振幅応答と位相応答

© TE および TM モードの前方および後方散乱ナノロッド、および内部電場分布 (上)

(d) 反射スペクトルと対応する CD スペクトル

(e) 実際の製造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深層学習ベースの代理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示します。陽子から誘電性超原子まで、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。表で選択された参照は異なるモデリング応答を持ち、現在の代理モデルが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ることを示しています。

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でのみ動作します。

• 一部の代理モデルのパフォーマンスは、共振周波数で低下します。

• トレーニング データを生成するプロセスは、労働集約的で退屈な作業です。

それでも、ANN ベースのサロゲート モデルは、従来のシミュレーション ツールよりも桁違いに高速であり、速度以外にも、サロゲート モデルには別の利点があります。メタオプティクスの逆設計では、リアルタイムのアナログ応答が必要です。現在の商用ソフトウェアと比較して、ANN ベースのサロゲート モデルは、設計の自由度が高い逆設計スキームに簡単に統合できます。

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

使用するモデルのタイプに応じて、ディープ ラーニング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

2. 生成モデルベース

判別モデルに基づく逆設計法は、さらに 2 つのカテゴリに分けることができます. 1 つ目は、設計パラメータを入力位置に置くことであり、出力としてのターゲット応答は逆伝播によって設計パラメータに影響を与えます. このタイプの設計スキームは単純ですが、反復的な最適化方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、主流のアプローチであり、期待値が与えられると、NN は予測値を出力します。

(a) ターゲットとする光学特性と S パラメータの吸収率

(b) 提案された設計ワークフロー

© マトリックスで表された調査中のモデルの 3D グラフィックス

NN ベースの逆設計では、光学に関する知識があまり必要ありません。ANN が提供するのは、システムの近似解に過ぎず、目標要件と完全に同じではありません。オンデマンドで設計する場合、ほとんどの方法は 70% 以上の精度を示します。これは非常に高速です。従来の試行錯誤モードの逆の設計は時間がかかり、ソリューションの精度は保証できません。違いはありますが、準解は解がないよりはましです。

勾配のない進化的計算

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 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 ファミリーです。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繁殖プロセスをシミュレートします。世代ごとに突然変異が小さなランダムな変化として導入され、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。最終的には、この進化によって最適解が得られます。一般に、進化的コンピューティングは、グローバル最適化アルゴリズムの集合と見なされます。

遺伝的アルゴリズム (GA、遺伝的アルゴリズム) 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。さらに、GA は近年、メタレンズ、テラヘルツ 1/4 波長板、プログラム可能なメタマテリアル、サブ波長格子光学などのメタサーフェスの逆設計を大幅に促進してきました。

データ分析

AI はまた、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 タスクを含む同様のアプリケーションを使用して、メタ光学における強力なデータ分析機能を実証しました。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し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) 化学成分分類タスクのデータ分析

(a) メタサーフェス化学分類器の模式図

(b) 各化学物質の透過スペクトル

© 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視覚化

(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) サブ波長署名情報を含む高振幅波数ベクトル成分の波動伝搬、メタレンズなし (左) およびあり (右)

(f) 放射源からバックエンドの再構成および識別までのデータフロー

(g) メタレンズなし (上) とメタレンズあり (下) の遠方場情報の再構成と認識の結果。

スマート プログラマブル ウルトラ 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 ベースのシステムは、CPU がインストールされたコンピューターのようなものです。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、およびプログラム可能なメタサーフェスの再構成の管理を担当します。

これにより、メタサーフェスは通常の光回折要素から、入力データを理解し、それ自体でリアルタイムの応答を提供するスマート要素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 の放射パターンと対応するパターン

© 異なる数の測定 (100、200、400、および 600) での 2 つのケースの機械学習主導のイメージング結果

(d) スマート イメージャーと識別子

(e)スマートマント（マント）

上記のスマート メタデバイスに加えて、AI 駆動のプログラム可能なメタサーフェスは、リアルタイムの複雑なビームフォーミングを可能にし、3D 認識を可能にします。

ウルトラデバイスの時代が来るかも

米国のコンサルティング会社であるラックス・リサーチ社による新興の光学およびフォトニクス技術に関するレポートによると、メタ光学材料はすでに最初に展開されており、2030 年までに数十億ドル相当の市場を占めるでしょう。

世界有数のメタサーフェス企業であるメタレンズと NIL テクノロジーを例にとると、メタレンズはメタオプティカル テクノロジーと半導体製造プロセスを組み合わせ、ST マイクロエレクトロニクスの 12 インチ ウェーハ ファウンドリで大量生産を実現し、スーパーレンズを統合しています。 STMicroelectronics FlightSense シリーズの ToF レンジング センサー VL53L8; NIL Technology は、設計、プロトタイピング、テストと特性評価、および製造機能を含む完全なメタレンズ産業チェーンを構築し、メタレンズの出荷を実現しました。

その中で注目に値するのは、ちょうど今年、Metalen がベンチャー キャピタルから 1,000 万米ドルの新しいラウンドを受け取ったことを発表したことです.その共同創設者兼 CEO の Robert Devlin (Robert Devlin) 氏は、「私たちはシステムを改善することができます-レベルのパフォーマンス. 現在のモジュールの最大 6 つの従来の光学系を単一のメタ光学系に置き換えます。

スーパーレンズに代表されるスーパーデバイスは、ラボから産業へと移行し、光学の最先端技術のホットスポットになりつつあり、光学産業に革命をもたらすことが期待されています。その中でも、AI はメタオプティクスの開発において重要な役割を果たしてきました。メタオプティクスに AI を適用することで、複雑な光学設計を解決し、問題に対する最適解を迅速に導き出すと同時に、新しい機能要件を満たすことができるため、この 2 つを組み合わせることで、高度なオプティクスにさらに貢献することは間違いありません。次世代光デバイス・システムの早期実現を推進する。

参考リンク：

[1]https://baijiahao.baidu.com/s?id=175550753840515536​​5&wfr=スパイダー&for=pc

[2] https://zhuanlan.zhihu.com/p/540485936

用紙アドレス:

https://pubs.acs.org/doi/10.1021/acs.chemrev.2c00012