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

Résumé technique : Algorithme évolutionnaire guidé par les descripteurs de lentilles pour l'optimisation de systèmes optiques complexes avec choix de verre

Énoncé du problème
La conception de lentilles optiques de haute performance nécessite de naviguer dans un espace de recherche multidimensionnel, fortement contraint et hautement multimodal, comprenant les courbures de surface, le choix des matériaux de verre, les épaisseurs des éléments et les espacements. Les flux de travail d'optimisation standard, qui reposent généralement sur une recherche locale basée sur le gradient ou des stratégies évolutionnaires à exécution unique, convergent souvent vers un optimum local unique. Cette approche néglige l'existence de nombreuses alternatives de conception comparables, qui sont cruciales pour les décisions d'ingénierie en aval, telles que la manufacturabilité, le coût, la disponibilité des verres et les caractéristiques de tolérance. Bien que des méthodes d'optimisation multimodales existent, elles échouent souvent à optimiser systématiquement la sélection des verres ou exigent des budgets de calcul (jours à semaines) qui dépassent la faisabilité industrielle (visant souvent des solutions à l'échelle de l'heure).

Méthodologie : LDG-EA
Les auteurs proposent l'algorithme LDG-EA (Lens Descriptor-Guided Evolutionary Algorithm), un cadre à deux étapes conçu pour découvrir des minima locaux diversifiés et de haute qualité dans des budgets de calcul pratiques.

1. Formalisation via des descripteurs de comportement :
   L'innovation centrale est la définition d'un « descripteur de comportement » $D(\theta)$, qui associe un design de lentille complet $\theta$ à une représentation qualitative composée de :

• Les signes des courbures de surface.
• Les indices discrets des matériaux de verre sélectionnés.
• Note : Les épaisseurs et les distances sont exclues du descripteur afin de se concentrer sur les motifs structurels, comme défini dans les méthodes de comparaison optique antérieures.
  Ce processus partitionne l'espace de conception en niches distinctes basées sur des motifs structurels plutôt que sur des valeurs de paramètres continus.

2. Boucle d'optimisation à deux étapes :

• Étape 1 : Échantillonnage de descripteurs et recherche de sous-espace :
  L'algorithme maintient une distribution de probabilité $p(t)(x)$ sur l'ensemble des descripteurs de comportement. À chaque itération, il échantillonne $\lambda$ descripteurs. Pour chaque descripteur échantillonné, un algorithme d'optimisation interne (Hill-Valley Evolutionary Algorithm, ou HV-EA) est exécuté au sein du sous-espace contraint par ce descripteur spécifique. L'HV-EA utilise une stratégie d'évolution à adaptation de matrice de covariance (CMSA-ES) pour trouver des minima locaux tout en maintenant les indices de matériaux fixes et en faisant varier les courbures et les épaisseurs dans les limites des signes.
• Étape 2 : Mise à jour de la distribution :
  Sur la base des meilleures valeurs d'objectif trouvées au sein de chaque descripteur échantillonné, l'algorithme sélectionne les $\mu$ descripteurs les plus performants. Il met ensuite à jour la distribution d'échantillonnage $p(t)(x)$ en utilisant une règle d'algorithme de distribution marginale univariée (UMDA), augmentant la masse de probabilité sur les motifs structurels les plus prometteurs. Cela permet à l'algorithme d'apprendre quelles « familles » de conceptions sont les plus fructueuses.

3. Raffinement :
   Une fois la recherche évolutionnaire terminée, l'algorithme applique optionnellement une optimisation locale basée sur le gradient (par exemple, BFGS) pour affiner davantage les solutions candidates.

Contributions clés

• Formalisation des descripurs de lentilles : Le document formalise l'utilisation des motifs de signe de courbure et des indices de matériaux comme descripteurs de comportement pour structurer et naviguer dans le paysage de conception optique multimodal.
• Développement de LDG-EA : Les auteurs intègrent l'apprentissage de descripteurs, l'algorithme Hill-Valley et un raffinement optionnel basé sur le gradient dans une stratégie de recherche adaptative cohérente qui équilibre l'exploration de nouveaux motifs structurels et l'exploitation de régions de haute qualité.
• Validation sur la topologie Double-Gauss : La méthode est validée sur un système de lentille Double-Gauss à six éléments (24 variables : 18 continues, 6 entières), démontrant sa capacité à générer un ensemble diversifié de solutions dans un budget de calcul d'environ une heure.

Résultats expérimentaux
L'algorithme a été testé sur un système de lentille Double-Gauss à six éléments avec un catalogue de 120 verres Schott.

• Diversité : Sur cinq exécutions indépendantes, le LDG-EA a généré une moyenne de 14 741 candidats minima locaux couvrant 636 descripteurs de comportement uniques. Cela représente une augmentation d'un ordre de grandeur de conceptions distinctes de haute qualité par rapport à une ligne de base CMA-ES (Covariance Matrix Adaptation Evolution Strategy) avec redémarrages, qui n'a trouvé qu'environ 400 solutions.
• Qualité : La meilleure solution du LDG-EA, après raffinement par gradient, a atteint une valeur d'objectif (taille de tache RMS au carré) de $3 \times 10^{-4}$. C'est compétitif avec la meilleure solution de la ligne de base CMA-ES qui est de $1 \times 10^{-3}$, et cela approche la performance d'une conception de référence finement ajustée ($7 \times 10^{-5}$), bien qu'il ne la dépasse pas.
• Efficacité : Les exécutions du LDG-EA ont été terminées en environ une heure (temps de calcul réel) en exploitant l'exécution parallèle entre les descripteurs. La ligne de base CMA-ES, manquant de cette structure parallèle, a nécessité plus de 50 heures pour le même budget d'évaluation.
• Effet d'apprentissage : Des études d'ablation remplaçant la distribution apprise des descripteurs par un échantillonnage aléatoire uniforme ont montré que le mécanisme d'apprentissage adaptatif du LDG-EA améliore rapidement la qualité des solutions dès les premières générations en concentrant l'effort de recherche sur les descripteurs à haut rendement.

Signification et affirmations
Le document affirme que le LDG-EA répond avec succès à la limitation des outils industriels actuels (comme le Global Synthesis de CODE V) qui peinent à générer systématiquement un portefeuille varié de conceptions de haute qualité, particulièrement lorsque le choix du verre est impliqué.

• Utilité pratique : Les auteurs soulignent que si la meilleure solution absolue trouvée peut ne pas battre une référence manuellement ajustée, la valeur primaire de la méthode réside dans la production d'un ensemble diversifié de solutions dans un délai pratique. Cette diversité soutient les décisions d'ingénierie en aval qui ne peuvent pas être facilement codées dans l'objectif d'optimisation (ex: disponibilité des verres, coût, tolérance).
• Scalabilité : L'approche est conçue pour les infrastructures informatiques modernes, utilisant le parallélisme pour atteindre des temps d'exécution de l'ordre de l'heure pour des systèmes complexes.
• Initialisation heuristique : Les auteurs positionnent le LDG-EA comme une méthode rapide et configurable pour générer des conceptions initiales de haute qualité, où la taille de tache RMS sert de point de départ heuristique pour des étapes d'optimisation ultérieures plus rigoureuses.

Le document conclut modestement, notant que la méthode ne surpasse pas encore les meilleures conceptions de référence, mais fournit un cadre robuste pour explorer l'espace de conception. Des travaux futurs sont proposés, incluant des taux d'apprentissage adaptatifs, l'optimisation multi-objectif et l'intégration de priors basés sur les brevets.