Lens-descriptor guided evolutionary algorithm for optimization of complex optical systems with glass choice

Resumen Técnico: Algoritmo Evolutivo Guiado por Descriptores de Lente para la Optimización de Sistemas Ópticos Complejos con Selección de Vidrio

Planteamiento del Problema
El diseño de lentes de alto rendimiento implica navegar por un espacio de búsqueda de alta dimensionalidad, fuertemente restringido y altamente multimodal, que comprende curvaturas de superficie, elección de materiales de vidrio, espesores de elementos y espaciados. Los flujos de trabajo de optimización estándar, que suelen depender de una búsqueda local basada en gradientes o estrategias evolutivas de ejecución única, a menudo convergen en un único óptimo local. Este enfoque pasa por alto la existencia de numerosos diseños alternativos comparablesmente buenos, los cuales son críticos para las decisiones de ingeniería posteriores relacionadas con la manufacturabilidad, el costo, la disponibilidad de vidrio y las características de tolerancia. Si bien existen métodos de optimización multimodal existentes, a menudo fallan al optimizar sistemáticamente la selección de vidrio o requieren presupuestos computacionales (días a semanas) que exceden la practicidad industrial (que suele apuntar a soluciones en escala de horas).

Metodología: LDG-EA
Los autores proponen el Algoritmo Evolutivo Guiado por Descriptores de Lente (LDG-EA), un marco de dos etapas diseñado para descubrir mínimos locales diversos y de alta calidad dentro de presupuestos computacionales prácticos.

1. Formalización mediante Descriptores de Comportamiento:
   La innovación central es la definición de un "descriptor de comportamiento" $D(\theta)$, que mapea un diseño de lente completo $\theta$ a una representación cualitativa que consiste en:

   • Los signos de las curvaturas de las superficies.
   • Los índices discretos de los materiales de vidrio seleccionados.
   • Nota: Los espesores y distancias se excluyen del descriptor para centrarse en patrones estructurales, tal como se define en métodos previos de comparación óptica.
     Esto particiona el espacio de diseño en distintos "nichos" basados en patrones estructurales en lugar de valores de parámetros continuos.

2. Bucle de Optimización de Dos Etapas:

   • Etapa 1: Muestreo de Descriptores y Búsqueda de Subespacio:
     El algoritmo mantiene una distribución de probabilidad $p(t)(x)$ sobre el conjunto de descriptores de comportamiento. En cada iteración, se muestrean $\lambda$ descriptores. Para cada descriptor muestreado, se ejecuta un algoritmo de optimización interno, el Algoritmo Evolutivo Hill-Valley (HV-EA), dentro del subespacio restringido por ese descriptor específico. El HV-EA utiliza la Estrategia de Evolución de Adaptación de Matriz de Covarianza (CMSA-ES) para encontrar mínimos locales manteniendo fijos los índices de material y variando las curvaturas y espesores dentro de las restricciones de signo.
   • Etapa 2: Actualización de la Distribución:
     Basándose en los mejores valores de la función objetivo encontrados dentro de cada descriptor muestreado, el algoritmo selecciona los $\mu$ descriptores con mejor desempeño. Luego, actualiza la distribución de muestreo $p(t)(x)$ utilizando una regla de Algoritmo de Distribución Marginal Univariante (UMDA), aumentando la masa de probabilidad en los patrones estructurales de alto rendimiento. Esto permite al algoritmo aprender qué "familias" de diseños son más prometedoras.

3. Refinamiento:
   Después de que la búsqueda evolutiva concluye, el algoritmo aplica opcionalmente una optimización local basada en gradientes (por ejemplo, BFGS) para refinar aún más las soluciones candidatas.

Contribuciones Clave

• Formalización de Descriptores de Lente: El artículo formaliza el uso de patrones de signo de curvatura y de índices de materiales como descriptores de comportamiento para estructurar y navegar el paisaje de diseño óptico multimodal.
• Desarrollo de LDG-EA: Los autores integran el aprendizaje de descriptores, el Algoritmo Evolutivo Hill-Valley y el refinamiento opcional basado en gradientes en una estrategia de búsqueda adaptativa cohesiva que equilibra la exploración de nuevos patrones estructurales con la explotación de regiones de alta calidad.
• Validación en Topología Double-Gauss: El método se valida en un sistema de lente Double-Gauss de seis elementos (24 variables: 18 continuas, 6 enteras), demostrando su capacidad para generar un conjunto diverso de soluciones bajo un presupuesto computacional de una hora.

Resultados Experimentales
El algoritmo fue probado en un sistema de lente Double-Gauss de seis elementos con un catálogo de 120 materiales de vidrio Schott.

• Diversidad: Sobre cinco ejecuciones independientes, el LDG-EA generó un promedio de 14,741 candidatos a mínimos locales que abarcan 636 descriptores de comportamiento únicos. Esto representa un aumento de un orden de magnitud en diseños distintos y de alta calidad en comparación con la línea base de CMA-ES (Estrategia de Evolución de Adaptación de Matriz de Covarianza) con reinicios, que encontró solo ~400 soluciones.
• Calidad: La mejor solución de LDG-EA, tras el refinamiento basado en gradientes, alcanzó un valor de la función objetivo (tamaño de mancha RMS al cuadrado) de $3 \times 10^{-4}$. Esto es competitivo con el mejor de la línea base de CMA-ES de $1 \times 10^{-3}$ y se acerca al desempeño de un diseño de referencia finamente ajustado ($7 \times 10^{-5}$), aunque no lo supera.
• Eficiencia: Las ejecuciones de LDG-EA se completaron en aproximadamente una hora (tiempo de reloj real) aprovechando la ejecución paralela entre descriptores. La línea base de CMA-ES, al carecer de esta estructura paralela, requirió más de 50 horas para el mismo presupuesto de evaluación.
• Efecto de Aprendizaje: Los estudios de ablación que reemplazaron la distribución de descriptores aprendida con un muestreo aleatorio uniforme mostraron que el mecanismo de aprendizaje adaptativo de LDG-EA mejora rápidamente la calidad de la solución en las primeras generaciones al centrar el esfuerzo de búsqueda en descriptores de alto rendimiento.

Significancia y Reivindicaciones
El artículo afirma que LDG-EA aborda con éxito la limitación de las herramientas industriales actuales (como la Síntesis Global de CODE V) que tienen dificultades para generar sistemáticamente un portafolio variado de diseños de alta calidad, particularmente cuando se incluye la elección de vidrio.

• Utilidad Práctica: Los autores enfatizan que, si bien la mejor solución absoluta encontrada puede no superar a una referencia ajustada manualmente, el valor principal del método reside en producir un conjunto diverso de soluciones dentro de un tiempo práctico. Esta diversidad respalda las decisiones de ingeniería posteriores que no pueden codificarse fácilmente en el objetivo de optimización (por ejemplo, disponibilidad de vidrio, costo, tolerancia).
• Escalabilidad: El enfoque está diseñado para infraestructuras informáticas modernas, utilizando el paralelismo para lograr tiempos de ejecución de escala horaria para sistemas complejos.
• Inicialización Heurística: Los autores posicionan a LDG-EA como un método rápido y configurable para generar diseños iniciales de alta calidad, donde el tamaño de mancha RMS sirve como punto de partida heurístico para pasos de optimización posteriores más rigurosos.

El artículo concluye modestamente, señalando que el método aún no supera a los mejores diseños de referencia, pero proporciona un marco robusto para explorar el espacio de diseño. Se propone trabajo futuro que incluya tasas de aprendizaje adaptativas, optimización multiobjetivo e integración de prioridades basadas en patentes.