무손실 주기적 구조의 대리 모델링을 위한 물리 제약 신경망 (Physics-constrained neural networks)

우리는 Jones 행렬(Jones matrices) 형태의 엄밀 결합파 분석 (Rigorous Coupled-Wave Analysis, RCWA) 출력을 신속하게 예측하기 위한 물리 제약 신경망 (Physics-constrained neural network, PCNN)을 소개합니다. 무손실 층상 주기적 구조 (lossless layered periodic structures)에서의 에너지 보존 법칙으로부터 시작하여, 우리는 RCWA 출력이 Stiefel 다양체 (Stiefel manifold) 위에 존재한다는 사실을 이용합니다. 이 에너지 제약 조건은 미분 가능한 대칭 직교화 (differentiable symmetric orthogonalization)를 사용하여 다양체 위로 투영함으로써 하드 조건 (hard condition)으로 강제됩니다. 결과적으로 생성된 대리 모델 (surrogate)은 구조적으로 에너지 보존을 강제하는 동시에, 경사 하강법 기반의 역설계 (gradient-based inverse design)를 위한 미분 가능성을 유지합니다. 제안된 접근 방식의 성능과 범용성은 증강 현실 (Augmented Reality, AR) 안경용 회절 도파로 결합기 (diffractive waveguide combiner)의 역설계를 통해 입증되었습니다.