Recent advances in nanofabrication enable the manufacture of arbitrary-shaped optical metasurfaces. The carefully designed free-form metasurfaces display advanced photonic performance which cannot be achieved by traditional optics. However, the design of free-form metasurfaces incurs an expensive cost. Here, we demonstrate that free-form metasurfaces can be optimized rapidly by employing both adjoint-based optimization and physics-informed deep learning. In particular, the design method of metamask for proximity field nanopatterning enables the generation of unachieved patterns. In addition, we propose symmetry-encoded convolutional neural networks to reflect physical characteristics of periodic metasurfaces. The proposed deep learning models can replace optical simulators for measurements of physical properties. Combining adjoint-based optimization and physics-informed deep learning, the inverse design process can be significantly accelerated.
메타표면 제작 기술이 발달함에 따라, 임의의 구조를 가지는 광학 메타표면을 실험적으로 구현할 수 있게 되었다. 이러한 자유형상 메타표면은 디자인 자유도가 높아 기존 광학으로 구현할 수 없었던 고성능의 광학 소자를 구현할 수 있으나, 원하는 광 특성을 갖는 자유형상 메타표면을 디자인하는 문제는 많은 계산비용이 든다. 본 논문에서는 adjoint 방법 기반 최적화와 물리기반 딥러닝을 이용해 많은 파라미터를 가지는 자유형상 메타표면의 최적화를 빠른 시간내에 할 수 있음을 보인다. 특히, 근접장나노패터닝을 위한 마스크 설계 문제에서 기존에 구현하지 못한 패터닝을 수행하였고, 입사하는 파면까지 함께 고려해 제작하는 방법을 개발하였다. 한편, 대칭 컨볼루션 신경망 구조를 제안해 주기적 메타표면의 물리적 특성을 반영하였다. 고안한 딥러닝 모델은 물리적 특성 예측에 있어 광학 시뮬레이션을 대체할 수 있다. 최종적으로, adjoint 방법과 물리기반 신경망을 모두 고려해 메타표면 역설계를 가속화 할 수 있다.
