Freeform optimization technology of metasurface has received great interest in the photonics community due to its broad applicability. Recently, there was great progress in the field utilizing Computer Vision technology, mostly based on Generative Adversarial Network (GAN). Meanwhile, the emergence of Deep Q-learning technique from the Reinforcement Learning (RL) field has opened the possibility of optimization in a domain space with a large number of cases. In the dissertation, a Deep Q network that optimizes a 1D free-form wave deflector metasurface is proposed and discussed. The neural network found the optimized structure with similar or better performance than the state-of-the-art results. Additionally, the technology showed its robustness on change of condition, proving the possibility to be applied to general problems.
메타표면의 자유 구조 최적화 기술은 넓은 활용 가능성으로 인하여 광공학 분야 학계에서 큰 관심을 받아왔다. 최근에 해당 분야에서는 주로 생성적 대립쌍 네트워크(Generative Adversarial Network, GAN)에 기반한 컴퓨터 비전 기술을 활용한 큰 발전이 있어왔다. 한편, 강화학습 (Reinforcement Learning, RL) 분야에서의 딥 큐러닝(Deep Q-learning) 기술의 출현은 많은 경우의 수를 가지는 도메인 공간에서의 최적화 가능성을 열어주었다. 본 학위논문에서는 1차원 자유 구조의 광편향기 메타표면을 최적화하는 딥 큐 네트워크(Deep Q Network)를 제안하고 논의한다. 해당 신경망은 최첨단의 결과와 비슷하거나 나은 성능을 가지는 최적화 구조를 발견하였다. 본 기술은 조건의 변화에 강인함을 보여주어 일반적인 문제에 적용될 가능성을 증명하였다.
