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

Resumo Técnico: Algoritmo Evolucionário Guiado por Descritores de Lentes para Otimização de Sistemas Ópticos Complexos com Escolha de Vidro

Definição do Problema
O projeto de lentes ópticas de alto desempenho envolve navegar em um espaço de busca de alta dimensão, fortemente restrito e altamente multimodal, que compreende curvaturas de superfície, escolhas de materiais de vidro, espessuras de elementos e espaçamentos. Os fluxos de trabalho de otimização padrão, que geralmente dependem de busca local baseada em gradiente ou estratégias evolucionárias de execução única, frequentemente convergem para um único mínimo local. Essa abordagem negligencia a existência de inúmeros designs alternativos comparavelmente bons, que são críticos para decisões de engenharia subsequentes, como manufaturabilidade, custo, disponibilidade de vidro e características de tolerância. Embora existam métodos de otimização multimodal existentes, eles frequentemente falham em otimizar sistematicamente a seleção de vidro ou exigem orçamentos computacionais (dias a semanas) que excedem a praticidade industrial (que geralmente visa soluções na escala de horas).

Metodologia: LDG-EA
Os autores propõem o Algoritmo Evolucionário Guiado por Descritores de Lentes (LDG-EA), um framework de dois estágios projetado para descobrir diversos mínimos locais de alta qualidade dentro de orçamentos computacionais práticos.

1. Formalização via Descritores de Comportamento:
   A inovação central é a definição de um "descritor de comportamento" $D(\theta)$, que mapeia um design de lente completo $\theta$ para uma representação qualitativa composta por:

   • Os sinais das curvaturas de superfície.
   • Os índices discretos dos materiais de vidro selecionados.
   • Nota: Espessuras e distâncias são excluídas do descritor para focar em padrões estruturais, conforme definido em métodos anteriores de comparação óptica.
     Isso particiona o espaço de design em distintos "nichos" baseados em padrões estruturais, em vez de valores de parâmetros contínuos.

2. Ciclo de Otimização de Dois Estágios:

   • Estágio 1: Amostragem de Descritores e Busca de Subespaço:
     O algoritmo mantém uma distribuição de probabilidade $p(t)(x)$ sobre o conjunto de descritores de comportamento. Em cada iteração, ele amostra $\lambda$ descritores. Para cada descritor amostrado, um algoritmo de otimização interna, o Algoritmo Evolucionário Hill-Valley (HV-EA), é executado dentro do subespaço restrito por esse descritor específico. O HV-EA utiliza a Estratégia de Evolução de Adaptação de Matriz de Covariância (CMSA-ES) para encontrar mínimos locais enquanto mantém os índices de material fixos e varia as curvaturas e espessuras dentro das restrições de sinal.
   • Estágio 2: Atualização da Distribuição:
     Com base nos melhores valores de objetivo encontrados dentro de cada descritor amostrado, o algoritmo seleciona os $\mu$ descritores com melhor desempenho. Ele então atualiza a distribuição de amostragem $p(t)(x)$ usando uma regra de Algoritmo de Distribuição Marginal Univariada (UMDA), aumentando a massa de probabilidade em padrões estruturais de alto rendimento. Isso permite que o algoritmo aprenda quais "famílias" de designs são mais promissoras.

3. Refinamento:
   Após a conclusão da busca evolucionária, o algoritmo aplica opcionalmente uma otimização local baseada em gradiente (ex: BFGS) para refinar ainda mais as soluções candidatas.

Principais Contribuições

• Formalização de Descritores de Lente: O artigo formaliza o uso de padrões de sinal de curvatura e índices de material como descritores de comportamento para estruturar e navegar no panorama de design óptico multimodal.
• Desenvolvimento do LDG-EA: Os autores integram o aprendizado de descritores, o Algoritmo Evolucionário Hill-Valley e o refinamento opcional baseado em gradiente em uma estratégia de busca adaptativa coesa que equilibra a exploração de novos padrões estruturais com a exploração de regiões de alta qualidade.
• Validação na Topologia Double-Gauss: O método é validado em um sistema de lente Double-Gauss de seis elementos (24 variáveis: 18 contínuas, 6 inteiras), demonstrando sua capacidade de gerar um conjunto diverso de soluções sob um orçamento computacional de escala de uma hora.

Resultados Experimentais
O algoritmo foi testado em um sistema de lente Double-Gauss de seis elementos com um catálogo de 120 materiais de vidro Schott.

• Diversidade: Ao longo de cinco execuções independentes, o LDG-EA gerou uma média de 14.741 candidatos a mínimos locais abrangendo 636 descritores de comportamento únicos. Isso representa um aumento de uma ordem de magnitude em designs distintos de alta qualidade em comparação com um baseline de CMA-ES (Estratégia de Adaptação de Matriz de Covariância) com reinicializações, que encontrou apenas ~400 soluções.
• Qualidade: A melhor solução do LDG-EA, após o refinamento baseado em gradiente, alcançou um valor de objetivo (RMS spot size ao quadrado) de $3 \times 10^{-4}$. Isso é competitivo com o melhor valor de $1 \times 10^{-3}$ do baseline de CMA-ES e aproxima-se do desempenho de um design de referência finamente ajustado ($7 \times 10^{-5}$), embora não o supere.
• Eficiência: As execuções do LDG-EA foram concluídas em aproximadamente uma hora (tempo de relógio/wall-clock time) ao alavancar a execução paralela entre os descritores. O baseline de CMA-ES, carecendo dessa estrutura paralela, exigiu mais de 50 horas para o mesmo orçamento de avaliação.
• Efeito de Aprendizado: Estudos de ablação substituindo a distribuição de descritores aprendida por amostragem aleatória uniforme mostraram que o mecanismo de aprendizado adaptativo do LDG-EA melhora rapidamente a qualidade da solução nas primeiras gerações, focando o esforço de busca em descritores de alto rendimento.

Significância e Alegações
O artigo afirma que o LDG-EA aborda com sucesso a limitação das ferramentas industriais atuais (como o Global Synthesis do CODE V), que têm dificuldade em gerar sistematicamente um portfólio variado de designs de alta qualidade, especialmente quando a escolha do vidro está envolvida.

• Utilidade Prática: Os autores enfatizam que, embora o melhor valor absoluto encontrado possa não superar um design de referência, o principal valor do método reside em produzir um conjunto diverso de soluções dentro de um tempo prático. Essa diversidade apoia decisões de engenharia subsequentes que não podem ser facilmente codificadas no objetivo de otimização (ex: disponibilidade de vidro, custo, tolerância).
• Escalabilidade: A abordagem é projetada para infraestruturas de computação modernas, utilizando o paralelismo para alcançar tempos de execução na escala de horas para sistemas complexos.
• Inicialização Heurística: Os autores posicionam o LDG-EA como um método rápido e configurável para gerar designs iniciais de alta qualidade, onde o RMS spot size serve como um ponto de partida heurístico para etapas subsequentes de otimização mais rigorosas.

O artigo conclui modestamente, observando que o método ainda não supera os melhores designs de referência, mas fornece um framework robusto para explorar o espaço de design. Trabalhos futuros propostos incluem taxas de aprendizado adaptativas, otimização multiobjetivo e a integração de priors baseados em patentes.