메타물질은 기존의 물질에서 발견되지 않는 성질을 가지는 물질이다. 재료의 표면에 나노 구조물을 무작위 혹은 파라메트릭한 방식으로 반복시켜 붙인 재료로서 구조에 의해 특성이 결정된다. 기존 설계 방법은 연구자가 임의의 구조를 고안하고 설계한 뒤 이를 해석적 방법으로 목표 특성을 검증하는 시행착오를 거쳐 최적 구조를 선정한 후 다양한 공정으로 제작하고 그 성질을 실험 해야 했기 때문에 연구의 효율성이 낮다. 따라서 본 연구에서는 딥러닝 기반의 역설계 기술을 도입하여 요구되는 특성치를 가지는 다층 복합 구조 메타물질을 효율적으로 설계한다. 이를 위해 예측 모델과 생성 모델을 결합한 심층 신경망을 구축하여 학습하고 다양한 응용 분야에 적용하기 위해 전이학습을 이용한다. 연차별 주요 개발 내용은 다음과 같다. 1차년도. ○ 무작위 이진 패턴 형태 메타물질 구조를 입력함으로써 물성치 특성을 예측하는 시뮬레이터 신경망 구축. ○ 변분 오토인코더 기반의 인코더-디코더 구조의 생성망 모델을 설계. 이를 통해 메타물질 구조들의 저차원 은닉 벡터로 표현된 은닉 공간 생성. ○심층 신경망 학습을 위해 메타물질 패턴 데이터와 응답 물성치 데이터수집 및 학습에 활용 가능한 형태로 데이터 전처리 작업. ○ 이 때 전자기 시뮬레이션방법을 사용하여 파동 물성치 데이터를 획득. ○ 앞서 생성된 은닉 공간을 탐색하여 최적의 목표 물성치를 나타내는 구조를 발견하기 위해 공분산 행렬 적응 진화 전략적용 2차년도. ○ 기년도 학습 완료된 은닉 벡터 요소 값의 변화에 의한 패턴의 변형 이해를 위한 은닉 공간 구조화 전략 수립. ○ 이 때, 은닉 공간의 구조화란 비선형 공간인 은닉공간을 선형적인 구조를 가지게 하여 하나의 요소를 변화 시켰을 때 패턴의 정해진 하나의 특성이 변화되게 하는 것. ○ 매개변수에 의해 결정되는 형태의 메타물질 역설계를 위한 생성망 구축. ○ 목표 특성에 대해 메타물질을 이루는 구성 물질의 종류와 기하학적 매개변수를 탐색. 이를 위해 회귀문제와 분류문제를 동시에 풀 수 있는 신경망 개발. 3차년도. ○ 기년도에 각각 생성된 이진 패턴 구조와 파라메트릭한 구조의 메타물질을 연결하여 만든 다패턴 형태와 이들을 쌓아 올린 복층 형태를 포함하는 다층 복합 구조 메타물질에 역설계 대한 연구. ○ 생성된 다패턴 형태간 상관도를 파악하여, 요구되는 특성을 조합하는 새로운 물성치에 대한 연구. ○ 음의 굴절률, 높은 유전율과 같은 산업에 필요한 다양한 특성을 가지는 물질 설계를 위한 응용 연구. ○ 소량의 데이터만으로 효율적으로 신경망 학습을 시키기 위한 전이학습(에 대한 연구 . ○ 이 때, 전이학습이란 원천 태스크로 사전 학습된 신경망 이용해 초기 가중치 값으로 이용하고, 새로운 태스크를 위한 신경망 학습 시 소량의 데이터로 미세조정 하여 학습시키는 방법. ○ 소프트웨어 모델 경량화, 알고리즘 최적화를 통한 속도와 정확도 향상