신경망 보조 역설계 기반 키랄 플라즈모닉 센서

Born–Kuhn Au 나노이합체(nanodimer)의 목표 특이적 키랄 플라즈모닉 센서 공학을 위한 3단계 계산적 설계 파이프라인(다중작업 NN 순방향 예측 → 탠덤 NN 역설계 → NN 보조 유전 알고리즘) (see Han et al., ACS Nano (2022)).

세 단계

• 1단계 — 다중작업 순방향 NN. 공유 4×512-노드 레이어와 5개의 작업별 분기로 구성된 네트워크를 3,075개의 FDTD 스펙트럼으로 훈련하여 σ_Abs, σ_Scat (LCP/RCP), σ_Ext,Diff를 동시에 예측하며; RMSE 3.57×10⁻⁵, 추론 속도 ~2 µs vs FDTD의 ~20 min (see Han et al., ACS Nano (2022), text p. 2310–2311).
• 2단계 — 탠덤 역 NN. 동결된 사전훈련 디코더를 포함하는 탠덤 인코더 네트워크가 목표 σ_Ext,Diff 스펙트럼으로부터 구조적 매개변수(L, W, H, D)를 역산하며; 임의의 가우시안 목표에 대해 검증됨 (Fig. 3c).
• 3단계 — NN 보조 유전 알고리즘. 사전훈련된 네트워크가 유전 알고리즘 내부에서 적합도 평가자로 기능하여 특정 분석물(n, κ)에 대해 FOM = Δλ_n,κ / fwhm (chiral-sensing-FOM-born-kuhn)을 최대화하는 구조를 탐색한다. n_sub = 1.4, Δn = Δκ 조건에서 최적값은 P ≈ 218.3, L ≈ 79.6, W ≈ 15.4, H ≈ 16.7 nm으로 수렴하며, 중앙값 구조 대비 FOM이 1.5–2.1× 향상됨 (Fig. 6; Table 1).

최적화 대상 (물리적 목적함수)

FOM 목표는 부피 적분 광학 헬리시티 ∫ Im{E·H} dV로 소급되며, 섭동 이론은 이를 키랄 감지 주파수 이동 Δω₀,κ의 구동인자로 규명한다 (see optical-helicity-density). 따라서 이 파이프라인은 물리적으로 알고리즘적 헬리시티 최대화기로서, 헬리코이드 근거리장 키랄 감지(chiral-near-field-enantioselective-SERS)의 설계 단계 전구체에 해당한다.

연관 관계

Nam 그룹의 다른 키랄 나노포토닉스 심층학습 기법들인 generative-cellular-automata-model 및 single-particle-EELS-tomography(모두 키랄 나노포토닉스 설계/특성 분석에 심층학습을 적용)과 형제 관계에 있다. 또한 paper_170 키랄 감지 리뷰에서 지적한 공백을 addresses_gap하며, 해당 리뷰는 EF_Local 키랄성 극대화를 설계 목표로 제시하였으나 목표 특이적 구조를 실현할 알고리즘적 경로는 제시하지 못하였다.