Robust optical design and closed-form tolerancing through autodiff-based Hessian spectral analysis

Resumo Técnico: Design Óptico Robusto e Tolerância de Forma Fechada através de Análise Espectral de Hessiana Baseada em Autodiferenciação

Definição do Problema
A tolerância óptica tradicionalmente baseia-se em simulações de Monte Carlo (MC) para prever como imperfeições de fabricação e alinhamento degradam o desempenho de imagem. Esta abordagem enfrenta um gargalo severo de complexidade de amostragem. Para delimitar percentis com alta confiança (ex: 99% de confiança para 99,9% de rendimento), o número de amostras necessário cresce exponencialmente com o número de graus de liberdade (DoFs). Para sistemas com muitos parâmetros de perturbação independentes, explorar os piores cenários (worst-case corners) torna-se computacionalmente intratável. Além disso, a análise de sensibilidade clássica baseada apenas no Jacobiano (derivadas de primeira ordem) falha em capturar mecanismos de acoplamento e efeitos de curvatura que dominam a degradação de desempenho próximo a um ótimo local.

Metodologia
Os autores propõem um framework que utiliza rastreio de raios diferenciável e diferenciação automática (AD) para analisar a estrutura de segunda ordem de métricas de desempenho óptico.

• Análise Espectral da Hessiana: A métrica de desempenho $P(p)$ é expandida via série de Taylor em torno de um design nominal $p^*$. Como $p^*$ é um ótimo local, o gradiente se anula, e a degradação é governada pela matriz Hessiana $H$. Os autores diagonalizam a Hessiana escalonada por tolerância ($H_{sc} = SHS$, onde $S$ escala pelas desvios padrão das tolerâncias) para extrair modos próprios de perturbação ortogonais. Esta decomposição separa a sensibilidade em canais de deformação independentes, revelando mecanismos de acoplamento dominantes invisíveis à análise baseada em Jacobiano.
• Aplicação do Teorema do Envelope: O artigo prova, via teorema do envelope, que para um sistema totalmente compensado (onde compensadores como atuadores de refoco são reotimizados), a sensibilidade de primeira ordem às perturbações é idêntica à do sistema não compensado. O refoco atua estritamente em segunda ordem, modificando a curvatura efetiva através do complemento de Schur da Hessiana ($H_{comp} = H_{pp} - H_{pc}H_{cc}^{-1}H_{cp}$).
• Previsão de Rendimento de Forma Fechada: Assumindo tolerâncias Gaussianas, a degradação de desempenho $\Delta P$ é modelada como uma soma ponderada de variáveis qui-quadrado independentes, onde os pesos são os autovalores da Hessiana escalonada. Isso permite que a função de distribuição cumulativa (CDF) do rendimento seja computada via uma inversão unidimensional da função característica, eliminando a necessidade de amostragem por rastreio de raios.
• Objetivo de Design Robusto: Uma métrica de robustez escalar, definida como o traço da Hessiana escalonada pela tolerância ($Tr(SHS)$), é proposta. Esta métrica representa a degradação quadrática esperada sob tolerâncias e é utilizada como um termo de penalidade em otimização baseada em gradiente para achatar o espectro de sensibilidade.

Resultos Principais
A metodologia foi demonstrada em dois sistemas: um anastigmata de três espelhos (TMA) fora de eixo com 5 DoFs de alinhamento e um modelo escalonado de 23 DoFs incluindo erros de figura de superfície (coeficientes de Zernike, constantes cônicas, curvaturas).

• Insights de Modos Próprios: A decomposição de modos próprios no TMA de 5 DoFs revelou que a direção de sensibilidade dominante acopla o espaçamento entre espelhos com inclinações de espelhos, apontando para uma codependência de distância focal. O número de condição da Hessiana foi encontrado em $2,2 \times 10^5$, indicando uma sensibilidade altamente anisotrópica.
• Validação: O modelo quadrático validado contra perturbações aleatórias mostrou que o termo da Hessiana reduz o erro de aproximação para $O(\epsilon)$, confirmando a dominância dos efeitos de segunda ordem próximo ao ótimo.
• Previsão de Rendimento: A curva de rendimento de forma fechada, derivada exclusivamente dos autovalores da Hessiana, coincidiu com uma simulação de Monte Carlo de 5.000 amostras dentro de 1,4 $\mu$m em todos os percentis, sendo ordens de magnitude mais rápida e livre de ruído de amostragem.
• Otimização Robusta: A otimização do objetivo robusto ($J = P + \gamma Tr(SHS)$) melhorou o limiar de tamanho de mancha de 99,9% de 63,11 $\mu$m para 55,70 $\mu$m (uma redução de 11,7% na degradação do pior caso). A melhoria foi atribuída principalmente ao escape de mínimos locais rasos no cenário nominal, em vez de dessensibilizar o sistema, já que a sensibilidade dominante estava estruturalmente travada à prescrição óptica (distância focal).
• Escalabilidade: O framework calculou com sucesso a Hessiana completa de 23$\times$23 em 1,8 segundos em uma única GPU, fornecendo um orçamento de sensibilidade determinístico para modelos de alta dimensão de figura de superfície.

Significância e Alegações
O artigo afirma que a análise dos modos próprios de perturbação da Hessiana fornece insights qualitativos sobre mecanismos de degradação de desempenho (como acoplamentos) que são invisíveis à análise clássica de matriz de sensibilidade. A utilidade primária do método proposto é a definição de um orçamento de sensibilidade determinístico: o traço da Hessiana escalonada pela tolerância e sua decomposição de modos próprios quantificam a degradação de desempenho esperada e identificam as direções de sensibilidade dominantes.

Os autores asseguram que esta abordagem substitui a custosa e imprecisa amostragem de Monte Carlo por uma avaliação de forma fechada única, permitindo a alocação eficiente de tolerâncias de fabricação. Quando usada como uma penalidade de otimização, a métrica promove designs robustos em regimes onde existe "folga de robustez"; inversamente, identifica tolerâncias críticas que são estruturalmente irredutíveis e devem ser atendidas através de uma precisão de fabricação mais rigorosa. O trabalho destaca que, embora a sensibilidade de primeira ordem seja invariante sob refoco ativo, o complemento de Schur de segunda ordem governa a eficácia da compensação, e que a formulação do traço oferece uma alternativa numericamente estável e computacionalmente eficiente à soma baseada em autovalores para sistemas de alta dimensão.