Physics-Informed Neural Networks for Optimal Beam Shaping in Flat Optics

技術要約：平坦光学における最適なビーム成形のための物理情報ニューラルネットワーク（PINN）

問題提起
本論文は、入射光ビームを所望の目標強度分布へと成形するための、位相のみの平坦光学素子（SLMやメタ表面など）の設計における課題に取り組んでいる。Gerchberg–Saxton（GS）アルゴリズムなどの従来の手法は、反復的なフーリエ光学に依存しており、再構成された強度において斑点状のゆらぎ（スペックル）を伴う不規則な位相プロファイルを生じさせることが多い。あるいは、ビーム成形をエネルギー保存型のレイ・マッピング問題として定式化すると、モンジュ–アンペール（Monge–Ampère）方程式に帰着する。しかし、この方程式は完全な非線形であり、かつ退化する可能性があるため、特に円筒対称ではないターゲットに対して、標準的な有限差分法や有限要素法ソルバーでは収束が困難となる。

手法
著者らは、モンジュ–アンペール・ビーム成形方程式を直接解くための、物理情報ニューラルネットワーク（PINN）フレームワークを提案している。コアとなる手法は、以下のステップで構成される。

1. 理論的定式化:

   • 本問題は、位相勾配が外向きのレイ（光線）の方向を決定するという、一般化されたスネルの法則を用いてモデル化される。
   • 光パワーの保存は、ソース強度とターゲット強度の間の関係を、レイ・マップのヤコビアンを介して規定する。これにより、二階の非線形偏微分方程式（PDE）、すなわちモンジュ–アンペール方程式が得られる。
   • 本フレームワークは、2つの異なる幾何学的構成を扱う：
     • 有限距離: レイが距離 $z$ にある特定のターゲット平面にマッピングされる。この方程式には、位相勾配と伝搬距離に依存する複雑な係数が含まれる。
     • 遠視野（Far-field）: ターゲットは角度分布（方向余弦）によって定義される。ここでは、ターゲット座標が直接、位相勾配となるため、方程式の代数構造が簡略化される。

2. 正規化とネットワークアーキテクチャ:

   • 物理的なスケールの相違から生じる条件設定の問題に対処するため、著者らは座標と位相変数を無次元の正方形領域 $[-1, 1]^2$ 上に正規化している。
   • 4層の隠れ層（各層150ニューロン）と滑らかな $\tanh$ 活性化関数を持つ、全結合フィードフォワードニューラルネットワークが、正規化された位相ポテンシャル $\bar{\Phi}(\bar{x}, \bar{y})$ を表現する。
   • PDEの残差には二階微分が必要であるため、滑らかな活性化関数が不可欠である。

3. 学習プロセス:

   • ネットワークは、モンジュ–アンペール方程式の点ごとの残差を最小化するように訓練される。損失関数は、一連のコロケーションポイントにおけるパワー保存の違反の平均二乗誤差である。
   • 決定的なのは、これがデータ駆動型のサロゲートではないという点である。学習信号は光学的なPDEそのものである。事前に計算された位相ラベルやレイの対応関係は使用されない。
   • 自動微分（PyTorch経由）を用いて、ヘッセ行列の行列式に必要な一階および二階の微分を計算する。
   • マップされたターゲット座標が学習可能な位相に依存するため、ターゲット強度は微分可能なバイリニア・リサンプリングを用いてサンプリングされ、これにより光学的なマッピングを通じて勾配が伝播することが可能となる。
   • 最適化には、Adamに続いて、鋭い特徴の近傍での解を精緻化するためにフルバッチL-BFGSを用いる。

4. 検証:

   • 学習された位相プロファイルは、レイベースの訓練目的関数とは異なる、独立したスカラー回折シミュレーション（角スペクトル伝搬）を用いて検証される。

主な結果
著者らは、2つの数値実験を通じて本手法の有効性を実証している：

• 有限距離成形: ガウスビームを、距離10 cmにおいて滑らかな星型フラットトップパターンへと成形する。PINNによって生成された位相は、回折限界による境界付近の不一致を除けば、所望のプロファイルに極めて近い目標強度を生成する。
• 遠視野成形: ガウスビームを、遠視野において「DT」ロゴパターンへと成形する。本手法は、滑らかな位相ポテンシャルを用いて、矩形のサポート領域と内部のピークを正常に再現する。
• Gerchberg–Saxton (GS) との比較: 同様の遠視野ロゴターゲットに対してGSアルゴリズムを適用した場合、PINNはGSを凌駕する。
  • 視覚的品質: GSは顕著なスペックルと高周波の振動を生じるが、PINNは高周波構造が抑制された、よりクリーンなプロファイルを提供する。
  • 定量的指標: PINNは、GSの $2.08 \times 10^8$ に対し、$\approx 3.59 \times 10^6$ という平均二乗誤差（MSE）を達成した。相対平方根二乗誤差は、GSの22.6%に対し、PINNは2.97%である。
  • 効率: エネルギー効率（ターゲットのサポート内におけるパワー）は、GSの95.90%に対し、PINNは99.98%である。

意義と主張
本論文は、平坦光学におけるビーム成形問題へのPINNの初適用であると主張している。その主な貢献は以下の通りである：

1. 非線形PDEの解決: ビーム成形のための完全な非線形モンジュ–アンペール方程式を解くための堅牢な手法を提供した。これは、従来の数値ソルバーが収束に苦慮することが多い課題である。
2. 汎用性: 円筒対称なメタ表面のビーム成形に関する先行研究のデモンストレーションを、任意の非円筒対称ターゲットへと拡張した。
3. 優れた忠実度: 結果は、PINN由来の位相プロファイルが、Gerchberg–Saxtonのような従来の位相回復法と比較して、より高い精度、低いスペックル、および優れたエネルギー効率を提供することを示している。
4. 波光学的な妥当性: レイベースの訓練と独立したスカラー回折シミュレーションとの一致は、学習されたレイ・マップが波の効果を考慮した場合でも有効であることを裏付けている。

著者らは、このPINNアプローチが、複雑なターゲット分布に対して、より高度な精度と忠実度を備えた、従来の反復フーリエ法に代わる実行可能な選択肢を提供すると結論付けている。