CH714206B1 - Verfahren und Vorrichtungen zum Entwerfen optischer Systeme. - Google Patents

Abstract

Es werden Verfahren und Vorrichtungen zum Entwerfen optischer Systeme bereitgestellt. Dabei wird auf einer Vielzahl bekannter optischer Systeme ein maschinelles Lernen durchgeführt (22), um eine Recheneinrichtung zu trainieren. Nach diesem Trainieren kann die Recheneinrichtung auf Basis von Parametern, welche gewünschte Eigenschaften eines optischen Systems beschreiben (22), einen Entwurf für ein optisches System erzeugen (23).

Description

[0001] Die vorliegende Anmeldung betrifft Verfahren und Vorrichtungen zum Entwerfen optischer Systeme.

[0002] Der Entwurf von optischen Systemen wie beispielsweise Kameraobjektiven oder Mikroskopobjektiven ist ein aufwendiger Prozess, der mehrere Stufen umfasst. Im Allgemeinen werden zunächst die technischen Anforderungen an das optische System analysiert. Auf Basis der technischen Anforderungen wird ein erster Entwurf eines optischen Systems festgelegt, welcher freie Parameter aufweist. Diese Parameter werden dann optimiert.

[0003] Für diese Optimierungen von Parametern gibt es leistungsfähige Softwareprogramme, die diese Optimierungen von Parametern eines anfänglichen Entwurfs sehr schnell und effizient durchführen. Allerdings weisen diese erhältlichen Softwareprogramme zwei Nachteile auf: Erstens sie können den anfänglichen Entwurf lediglich optimieren, aber ohne menschlichen Eingriff nicht strukturell verändern.

[0004] Zweitens hängt der Erfolg der Optimierung stark von dem anfänglichen Entwurf ab.

[0005] Dies bedeutet, dass wenn der anfängliche Entwurf keine geeignete Struktur aufweist, die Optimierung des Systems durch die Softwareprogramme keine befriedigenden Ergebnisse bringen kann. Die Softwareprogramme können nämlich beispielsweise keine Linsen hinzufügen oder entfernen, um den Entwurf zu verbessern.

[0006] Manche Softwareprogramme zum Entwurf optischer Systeme bieten eine Sammlung gut korrigierter Systeme, aus denen ein Benutzer einen anfänglichen Entwurf, der gut korrigiert ist (beispielsweise hinsichtlich Aberrationen) auswählen kann. Dies ist jedoch nur beschränkt hilfreich, da häufig Anforderungen für neue optische Systeme nicht zu den von den Softwareprogrammen angebotenen Systemen passen.

[0007] Daher existieren verschiedene Herangehensweisen, um einen anfänglichen Entwurf, auch als Startdesign bezeichnet, für ein optisches System zu erlangen. Eine Herangehensweise ist in David Shafer, „A simple method for designing lenses“, Proc.SPIE 023, 1980, International Lens Design Conference, 234 (16. September 1980) beschrieben. Bei dieser Herangehensweise werden nur zwei besondere Arten von Oberflächen, Aplanate und konzentrische Oberflächen, kombiniert, um verschiedene Systeme zu erzeugen.

[0008] Dieses Verfahren wurde dann erweitert, wie in I. Antripova - Livshits, „Simple method for computer-aided lens design with the elements of artificial intelligence“, Proc.SPIE Vol. 1780, Seiten 210-213, veröffentlicht 04/1993 oder I. Livshits et al., „Information technologies in CAD system for lens design“, Proc.SPIE 7506, International Conference on Optical Instruments and Technology, 25. November 2009 beschrieben. Hier wird die Anzahl verschiedener Oberflächen auf fünf erhöht: aplanat, konzentrisch bezüglich einer Pupille, konzentrisch bezüglich des Bildes, flach und nahe beim Bild. Die Autoren dieser Herangehensweise teilen die Kombination von zwei Oberflächenarten in vier Gruppen ein: grundlegend (basic), Korrektur (correction), Weitwinkel (wide angle) und lichtstark (light powerful). Ein anfänglicher Entwurf für ein optisches System kann dann durch eine Sequenz dieser Gruppen beschrieben werden, wie beispielsweise in den obigen Referenzen gezeigt.

[0009] Diese Art von „funktionellem Design“ bietet einen guten Startpunkt für einen endgültigen Entwurf, wobei ausgehend von einem derartigen Entwurf dann mit den oben erwähnten Softwarepaketen eine Optimierung durchgeführt werden kann.

[0010] Allerdings hilft diese Herangehensweise nur eingeschränkt dabei, einen anfänglichen Entwurf zu finden. Die erwähnte Klassifizierung verschiedener Elemente hilft zwar, die Funktion jedes Elementes zu verstehen, gibt jedoch noch keinen Hinweis, wie letztendlich ein optisches System für einen bestimmten Zweck zusammenzusetzen ist. Die Referenzen sagen zwar aus, dass hier Expertenwissen, welches durch lange Erfahrung im Bereich des Designs optischer Systeme erworben wird, verwendet wird. Dies erfordert aber eben ein solches langjähriges Wissen und ermöglicht keine Automatisierung des Entwerfens optischer Systeme.

[0011] Eine andere Herangehensweise wird von Donald Dilworth beschrieben (siehe z.B. Applications of Artificial Intelligence to Computer-Aided Lens design, SPIE Vol. 766 Recent Trends in Optical Systems Design; Computer Lens Design Workshop (1987)), bei welcher Wellenfronten innerhalb von optischen Systemen definiert werden, wobei die Wellenfronten gleichsam als Schnittstelle dienen, um Teile optischer Systeme miteinander kombinieren zu können. Diese erlaubt die Kombination von Teilen optischer Systeme jedoch nur, wenn entsprechend gleiche Wellenfronten vorliegen.

[0012] Es ist daher eine Aufgabe, die Automatisierung der Erstellung von anfänglichen Entwürfen optischer Systeme, welche dann weiter optimiert werden können, zu verbessern. Diese Aufgabe wird gelöst durch ein Verfahren nach Anspruch 1 oder 9, sowie eine Vorrichtung nach Anspruch 11 oder 13. Die anhängigen Anspruche definieren weitere Ausführungsformen.

[0013] Erfindungsgemäß wird ein Verfahren zum Entwerfen optischer Systeme bereitgestellt, umfassend: Bereitstellen einer Vielzahl von optischen Systemen, und Durchführen eines maschinellen Lernverfahrens auf Basis der Vielzahl optischer Systeme.

[0014] Auf diese Weise kann eine Vorrichtung auf Basis von bekannten optischen Systemen trainiert werden, um später dann Entwürfe optischer Systeme bereitstellen zu können. Die Vielzahl optischer Systeme dient also als Vielzahl von Trainingsbeispielen für das maschinelle Lernverfahren. Optische Systeme als Trainingsbeispiele können durch Simulationen oder mit Hilfe eines Samplingverfahrens (siehe zum Beispiel Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto, Second Edition, in progress MIT Press, Cambridge, MA, 2017, online http://incompleteideas.net/sutton/book/bookdraft2017iune19.pdf. Stand 26.09.2017) generiert werden. Außerdem können bekannte Designregeln zum Entwurf optischer Systeme zur Erzeugung von optischen Systemen als Trainingsbeispiele genutzt werden oder Verfahren des nachahmenden Lernens („imitation learning“) zum Einsatz kommen, die durch Beobachten eines Experten Regeln ableiten (siehe zum Beispiel IEEE ROBOTICS & AUTOMATION MAGAZINE, VOL. 17, NO. 2, JUNE 2010 1 Imitation and Reinforcement Learning Practical Learning Algorithms for Motor Primitives in Robotics by Jens Kober and Jan Peters).

[0015] Das Bereitstellen der Vielzahl optischer Systeme kann also in Form einer Datenbank erfolgen, anhand derer dann das Lernverfahren durchgeführt wird. Das Bereitstellen der Vielzahl optischer Systeme kann jedoch zusätzlich oder alternativ auch ein Entwerfen der Vielzahl optischer Systeme durch einen Optikdesigner umfassen, wobei das Lernverfahren dann ein Verfahren des nachahmenden Lernens ist, das gleichsam den Optikdesigner beim Entwerfen beobachtet und so die Vorrichtung entsprechend trainiert.

[0016] Das Durchführen des maschinellen Lernens kann ein Trainieren eines künstlichen neuronalen Netzwerks umfassen. Neuronale Netzwerke sind dabei besonders bevorzugt, da sie ein gut verstandenes trainierbares System darstellen. Eine Ausführung des maschinellen Lernverfahrens kann dabei Neuronale Netzwerke mit einer Vielzahl von Schichten umfassen, die in der Praxis häufig zum Einsatz kommen.

[0017] Als Lernverfahren können Verfahren des bestärkenden Lernens (engl. Reinforcement Learning), z.B. Deep Reinforcement Learning Verfahren, zum Einsatz gelangen, um die Grundkonfiguration von optischen Flächen eines optischen Systems zu verändern, um zu den optischen Systemen zu gelangen, die als Trainingsbeispiele verwendet werden, beispielsweise in der oben beschriebenen Datenbank.

[0018] Das Bereitstellen einer Vielzahl von optischen Systemen umfasst ein Klassifizieren der Vielzahl von optischen Systemen, um Parameter bereitzustellen, die die Vielzahl von optischen Systemen beschreiben, wobei das maschinelle Lernen auf Basis der Parameter durchgeführt wird.

[0019] Durch das Klassifizieren werden die bekannten Entwürfe optischer Systeme für das maschinelle Lernen vorbereitet. Durch das maschinelle Lernen wird dann eine Vorrichtung, insbesondere eine Vorrichtung mit einem neuronalen Netz, entsprechend trainiert, so dass die Vorrichtung dann selbst Entwürfe optischer Systeme erstellen kann. Nähere Informationen hierzu lassen sich dem Wikipedia-Artikel „Machine Learning“ der englischsprachigen Wikipedia, Stand 31. Juli 2017, sowie dem Artikel „Artificial Neural Networks“, ebenfalls Stand 31. Juli 2017, jeweils mit weiteren Nachweisen, entnehmen. Es werden also bestehende optische Systeme mit ihren Eigenschaften dazu benutzt, um eine Vorrichtung mit Algorithmen des maschinellen Lernens, insbesondere ein neuronales Netzwerk, zu trainieren. Es können verschiedene herkömmliche Herangehensweisen des maschinellen Lernens zum Einsatz kommen, beispielsweise Lernen durch Imitation und (tiefes) bestärkendes Lernen (englisch (deep) reinforcement learning), wie in dem obigen Wikipedia-Artikel erwähnt.

[0020] Nach dem Trainieren können mit diesem Verfahren dann der trainierten Vorrichtung gewünschte Parameter eines zu entwerfenden optischen Systems übergeben werden, und die Vorrichtung liefert dann einen entsprechenden Entwurf, der geforderte Systemspezifikationen bestmöglich erfüllt.

[0021] Das Klassifizieren erfolgt auf Basis von Delano-Diagrammen der Vielzahl optischer Systeme.

[0022] Für das Lernverfahren und/oder beim Verwenden der trainierten Vorrichtung kann eine Metrik verwendet werden, die zur Bewertung von optischen Systemen hinsichtlich Ihrer Eigenschaften verwendet wird. Diese Metrik kann auf Delano-Diagrammen der optischen Systeme beruhen.

[0023] Durch die Verwendung von Delano-Diagrammen kann die Bewertung und Bestimmung von Parametern des optischen Systems vereinfacht werden.

[0024] Die Parameter können erste Parameter umfassen, die Komponenten der Vielzahl von optischen Systemen beschreiben. Auf diese Weise werden also mittels der ersten Parameter die optischen Systeme, insbesondere einzelne Komponenten wie Linsen hiervon, beschrieben.

[0025] Die Parameter können auch zweite Parameter umfassen, die optische und mechanische Eigenschaften der Vielzahl optischer Systeme beschreiben. Durch die zweiten Parameter sind die optischen Systeme also nach ihren Eigenschaften klassifiziert.

[0026] Zudem wird ein Verfahren zum Entwurf eines optischen Systems bereitgestellt, umfassend: Zuführen von Parametern, welche gewünschte Eigenschaften des optischen Systems beschreiben, an eine mit dem Verfahren wie oben diskutiert trainierte Vorrichtung, und Erhalten eines Entwurfs eines optischen Systems von der Vorrichtung.

[0027] Somit kann in automatisierter Weise ein anfänglicher Entwurf für ein optisches System mit gewünschten Parametern bereitgestellt werden, welcher dann mit herkömmlichen Optimierungsverfahren, beispielsweise den eingangs erwähnten Softwarepaketen, weiter optimiert werden kann. Die Parameter können dabei das optische System in gleicher Weise wie die oben genannten zweiten Parameter beschreiben. Die Steuerung der einzelnen Optimierungsschritte des Optimierungsverfahrens, insbesondere das Hinzufügen bzw. Entfernen von optischen Wirkflächen kann dabei von einem auf (tiefem) bestärkenden Lernen basierten Verfahren gesteuert werden, das in einer Ausführung beispielsweise durch Methoden des nachahmenden Lernens trainiert werden kann.

[0028] Es wird zudem ein Computerprogramm bereitgestellt mit einem Programmcode, welcher, wenn er auf einem Prozessor durchgeführt wird, das Verfahren wie oben beschrieben durchführt.

[0029] Erfindungsgemäß wird zudem eine Vorrichtung zum Entwerfen optischer Systeme bereitgestellt, umfassend eine Recheneinrichtung, welche Recheneinrichtung eingerichtet ist, eine Vielzahl von optischen Systemen bereitzustellen und ein maschinelles Lernen auf Basis der Vielzahl optischer Systeme durchzuführen, wobei das Bereitstellen einer Vielzahl von optischen Systemen ein Klassifizieren der Vielzahl von optischen Systemen umfasst, um Parameter bereitzustellen, die die Vielzahl von optischen Systemen beschreiben, wobei das maschinelle Lernen auf Basis der Parameter durchgeführt wird, und wobei das Klassifizieren auf Basis von Delano-Diagrammen der Vielzahl optischer Systeme erfolgt.

[0030] Die Recheneinheit der Vorrichtung kann eingerichtet sein, das Verfahren wie oben beschrieben durchzuführen.

[0031] Des Weiteren wird eine Vorrichtung zum Entwerfen optischer Systeme bereitgestellt, wobei die Vorrichtung eine Recheneinrichtung umfasst, die eingerichtet ist, das Verfahren wie oben beschrieben durchzuführen. Die Ausführungen bezüglich der Verfahren gelten für die Vorrichtung entsprechend.

[0032] Die Erfindung wird nachfolgend anhand von Ausführungsbeispielen unter Bezugnahme auf die beigefügten Zeichnungen näher erläutert. Es zeigen: Fig. 1 ein Blockdiagramm einer Vorrichtung gemäß einem Ausführungsbeispiel, Fig. 2 ein Flussdiagramm eines Verfahren gemäß einem Ausführungsbeispiel, Figuren 3A und 3B Diagramme zur Veranschaulichung einer Klassifizierung verschiedener optischer Systeme, Fig. 4A ein optisches System zur Veranschaulichung von Delano-Diagrammen, Fig. 4B ein Delano-Diagramm des Systems der Fig. 4A, Fig. 5 ein Diagramm zur Veranschaulichung der Gewinnung von Parametern aus Delano-Diagrammen, und Figuren 6A-6D Delano-Diagramme für verschiedene Arten von Linsen zur weiteren Veranschaulichung.

[0033] Die Erfindung wird im Folgenden anhand von verschiedenen Ausführungsbeispielen detailliert erläutert. Diese Ausführungsbeispiele dienen nur der Veranschaulichung und sind nicht als einschränkend auszulegen. Insbesondere können andere Ausführungsbeispiele andere Merkmale und Komponenten aufweisen als die Dargestellten.

[0034] Merkmale, Elemente oder Komponenten verschiedener Ausführungsbeispiele können miteinander kombiniert werden, um weitere Ausführungsbeispiele zu bilden. Variationen und Abwandlungen, die bezüglich einem der Ausführungsbeispiele beschrieben werden, sind auch auf andere Ausführungsbeispiele anwendbar. Insbesondere sind Variationen und Abwandlungen, welche für Ausführungsbeispiele von Verfahren diskutiert werden, auch auf entsprechende Vorrichtungen anwendbar und umgekehrt.

[0035] Die Fig. 1 zeigt eine Vorrichtung gemäß einem Ausführungsbeispiel. Die Vorrichtung der Fig. 1 umfasst eine Recheneinrichtung 10, beispielsweise einen Computer oder auch mehrere über ein Netzwerk verschaltete Computer. Die Recheneinrichtung 10 kann auch spezifische Hardwarekomponenten wie beispielsweise anwenderspezifische integrierte Schaltkreise (A6) umfassen, um die hier beschriebenen Funktionen zu implementieren. Insbesondere implementiert die Recheneinrichtung 10 bei dem Ausführungsbeispiel der Fig. 1 ein oder mehrere künstliche neuronale Netzwerke 11. Ausführungsbeispiele sind jedoch nicht auf neuronale Netzwerke beschränkt.

[0036] Die Recheneinrichtung 10 kann Eingabedaten empfangen und Ausgabedaten ausgeben. In einer Trainingsphase empfängt die Recheneinrichtung 10 eine Vielzahl von Entwürfen z.B. in Form von ersten Parametern, welche die Komponenten der optischen Systeme beschreiben (z.B. Form, Art, Material und Position von Linsen oder Spiegeln) und zweiten Parametern, welche Eigenschaften der optischen Systeme beschreiben (z.B. Brennweite, Apertur etc.). Auf Basis dieser Eingabedaten wird das neuronale Netzwerk 11 in für sich bekannter Weise trainiert, um insbesondere Verknüpfungen zwischen den ersten Parametern und den zweiten Parametern zu schafften, d.h. zwischen dem Aufbau der optischen Systeme und der sich ergebenden Eigenschaft. Bei anderen Ausführungsbeispielen beschreiben die Eingabedaten Entwurfsprozesse durch Optikdesigner, und das neuronale Netzwerk „erlernt“ dann das Entwerfen optischer Systeme mit Lernverfahren des nachahmenden Lernens. Details dieses Lernens werden später noch näher erläutert.

[0037] Nach dieser Trainingsphase können der Recheneinrichtung 10 gewünschte Parameter, die Eigenschaften eines zu entwerfenden optischen Systems beschreiben, als Eingabedaten zugeführt werden. Diese Parameter entsprechen in Ihrer Funktion den obigen zweiten Parametern. Die Recheneinrichtung 10 gibt dann als Ausgabedaten einen Entwurf für ein entsprechendes optisches System mittels des dann trainierten neuronalen Netzwerkes 11 aus.

[0038] Die Fig. 2 zeigt ein Flussdiagramm eines entsprechenden Verfahrens, welches in der Recheneinrichtung der Fig. 1 durchführbar ist.

[0039] In Schritt 20 werden optional optische Systeme klassifiziert, um jeweilige erste und zweite Parameter der optischen Systeme in standardisierter Form, d.h. in einer auf alle optischen Systeme zutreffenden Form, anzugeben. Dabei können die Komponenten optischer Systeme gemäß einer herkömmlichen Linsenklassifikation spezifiziert werden, beispielsweise entsprechend unten stehender Tabelle: J Apertur (auch als „Geschwindigkeit“ des optischen Systems bezeichnet) W Winkelbereich F Brennweite L Spektralbereich Q Bildqualität S Schnittweite (back focal length) D Eintrittspupillenposition

[0040] Die optischen System und einzelne Elemente der optischen Systeme können auch nach ihrem Zweck klassifiziert werden. Beispielsweise werden mit „B“ grundlegende Elemente, die die grundlegenden optischen Eigenschaften des optischen Systems bestimmen, bezeichnet. Mit „K“ werden Korrekturelemente bezeichnet, die benutzt werden, um Bildfehler wie chromatische Operationen der grundlegenden Elemente zu korrigieren. Mit „S“ werden Weitwinkelelemente bezeichnet, die benutzt werden, um einen Bildwinkel des optischen Systems zu bestimmen. Mit „C“ werden Elemente bezeichnet, die benutzt werden, die Apertur des optischen Systems festzulegen, insbesondere zu vergrößern.

[0041] Die obigen Buchstabenbezeichnungen dienen dabei nur als Beispiel, und die Klassifizierung kann auch mit anderen Symbolen, Zahlen, Zeichen und dergleichen geschehen. Zudem können optische Systeme bzw. deren Elemente nach Art der optischen Oberflächen klassifiziert werden, beispielsweise aplanar, bildnahe Oberfläche, um einen Hauptstrahl konzentrische Oberfläche, um einen Randstrahl konzentrische Oberfläche oder flache Oberfläche. Mittels dieser Klassifizierungen werden also erste und zweite Parameter ermittelt, die das jeweilige optische System beschreiben.

[0042] Diese Parameter werden später unter Bezugnahme auf die Figuren 3-6 noch näher erläutert. Insbesondere können zur Klassifizierung, wie später noch näher erläutert werden wird, Delano-Diagramme herangezogen werden. Die optischen Systeme und/oder die Parameter werden dann bevorzugt in einer Datenbank bereitgestellt.

[0043] In Schritt 21 werden dann die so klassifizierten optischen Systeme, d.h. die optischen Systeme mit ihren zugeordneten Parametern, für ein maschinelles Lernen verwendet. Hierbei kann beispielsweise das neuronale Netzwerk 11 der Fig. 1 trainiert werden. Auch andere Arten von maschinellem Lernen wie oben erläutert können verwendet werden. Möglichkeiten für dieses machinelle Lernen werden nun näher erläutert.

[0044] Für das maschinelle Lernen als auch für das Entwerfen optischer Systeme, welches später in den Schritten 22 und 23 folgt, ist eine Metrik erforderlich, mit der die „Qualität“ eines optischen Systems bewertbar ist und welche entsprechend für Optimierungsverfahren optischer Systeme verwendbar ist. Aberrationen in einem optischen System werden durch Reflexion oder Brechung von Lichtstrahlen durch optische Elemente des optischen Systems verursacht. Eine Metrik, die bei Ausführungsbeispielen verwendbar ist, ist eine Metrik, die den gesamten Ablenkungswinkel von allen optischen Elementen in einer Darstellung des optischen Systems in einem Delano-Diagramm misst. Dies ist z.B. in „Automatic generation of optical initial configuration based on Delano diagram“, Kai-Yuan Zhang et al., 2016 Res. Astron. Astrophys. 16 007 beschrieben. Delano-Diagramme werden später noch näher erläutert.

[0045] Bei Ausführungsbeispielen beruht das maschinelle Lernen auf Verfahren des bestärkenden Lernens, insbesondere des (tiefen) bestärkenden Lernens. Dieses Lernverfahren kann es umfassen, dem neuronalen Netzwerk 11 oder einem anderen zu trainierenden System beizubringen, die bereits bekannten optischen Systeme des Schritts 20 zu reproduzieren. Beispielsweise kann ein optisches System mit den oben beschriebenen zweiten Parametern ausgewählt werden, und das Ziel ist es, in einem Optimierungsprozess mit der oben beschriebenen Metrik dieses optische System durch das neuronale Netzwerk zu reproduzieren. Das Manipulieren/Ändern des optischen Systems durch den Optimierungsprozess (auch als „policy“ bezeichnet) kann mittels einer oder mehrerer der folgenden Varianten durchgeführt werden.

[0046] Variante 1: „Random Sampling“: Bei dieser Variante wird aus den zur Verfügung stehenden optischen Systemen dasjenige ausgewählt, das die zweiten Parameter des zu reproduzierenden Systems bestmöglich erfüllt, wobei das zu reproduzierende System von der Auswahl ausgeschlossen ist. Für das Optimieren werden dann zufällig verschiedene Komponenten entsprechend den ersten Parametern entfernt, hinzugefügt oder permutiert, um die oben beschriebene Metrik zu minimieren. Die Zufallsverteilung, aus der neue Systeme gezogen werden, kann dabei unterschiedliche Formen annehmen (siehe zum Beispiel Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto, Second Edition, in progress MIT Press, Cambridge, MA, 2017, online http://incompleteideas.net/sutton/book/bookdraft2017iune19.pdf, Stand 26.09.2017).

[0047] Variante 2: Datenbankregeln: Auch hier wird zunächst wie bei Variante 1 aus den zur Verfügung stehenden optischen Systemen dasjenige ausgewählt, das die zweiten Parameter des zu reproduzierenden Systems bestmöglich erfüllt. Statt zufälliger Änderungen werden hier Änderungen gemäß Datenbankregeln durchgeführt. In anderen Worten werden Permutationen der ersten Parameter aus den vielen optischen Systemen ausgewählt, die zum Training in einer Datenbank bereitgestellt werden.

[0048] Variante 3: „Imitation Learning“: Hier wird das neuronale Netzwerk trainiert, indem es Entwurfsschritten folgt, die von erfahrenen Optikdesignern optischer Systeme durchgeführt werden (siehe zum Beispiel IEEE ROBOTICS & AUTOMATION MAGAZINE, VOL. 17, NO. 2, JUNE 2010 1 Imitation and Reinforcement Learning Practical Learning Algorithms for Motor Primitives in Robotics by Jens Kober and Jan Peters). Jeder Entwurfsschritt, der von dem Designer durchgeführt wird, kann beispielsweise in ein Delano-Diagramm überführt werden und so von dem zu trainierenden Netzwerk verfolgt werden.

[0049] Es ist zu bemerken, dass das trainierte Netzwerk durch einen Selbstbeobachtungsprozess verwendet werden kann, um Designregeln zu identifizieren. Insbesondere können mit einer entsprechend großen Zahl an Trainingsbeispielen gegebenenfalls auch Designregeln gefunden werden, die Designern optischer Systeme noch nicht bekannt sind.

[0050] Mit Schritt 21 ist dann die Trainingsphase abgeschlossen. Danach kann die so trainierte Vorrichtung dann gemäß den Schritten 22 und 23 zum Entwerfen optischer Systeme verwendet werden. Dabei werden in Schritt 22 gewünschte Parameter für das optische System, wie beispielsweise Apertur, Brennweite, Bildqualität und dergleichen wie oben erläutert vorgegeben. In Schritt 23 wird dann beispielsweise mittels des trainierten neuronalen Netzwerks 11 ein optisches System ausgegeben. Dieses optische System kann dann wie eingangs erläutert als anfänglicher Entwurf für einen Optimierungsprozess mittels der eingangs erwähnten herkömmlichen Softwarepakete optimiert werden. Sobald das neuronale Netzwerk dann trainiert ist, sind dem Netzwerk also Designregeln bekannt, und es kann diese Regeln in Verbindung mit einem Optimierungsverfahren benutzen, um einen „Designvektor“ mit ersten Parametern, die ein optisches System beschreiben, auszugeben, das Bedingungen erfüllt, die durch zweite Parameter vorgegeben werden. Hierfür kann die gleiche Metrik, insbesondere die oben beschriebene Metrik, verwendet werden, die auch beim Training zum Einsatz kam.

[0051] Im Folgenden wird die Klassifizierung des Schrittes 20 der Fig. 2 unter Bezugnahme auf die Figuren 3-6 noch näher erläutert. Die Figuren 3A und 3B zeigen verschiedene Arten von optischen Systemen, klassifiziert nach numerischer Apertur (NA) und halbem Bildwinkel (FOV Field of View). Numerische Aperturen und Bildwinkel stellen dabei Beispiele für die oben erwähnten zweiten Parameter dar. Die Figur 3A zeigt dabei brechende Anordnungen (im Wesentlichen Anordnungen, die auf Linsen beruhen), und die Fig. 3B zeigt reflektierende Anordnungen, d.h. Anordnungen, welche auf Spiegeln beruhen. Zusätzlich zur numerischen Apertur ist auch noch die Blendenzahl f angegeben, die das Verhältnis der Brennweite zum Durchmesser der wirksamen Eintrittspupille angibt und beispielsweise in der Fotographie häufig verwendet wird, um die Lichtstärke eines Objektivs zu kennzeichnen. Wie zu sehen ist, existieren über einen weiteren Bereich numerische Aperturen und Bildwinkel eine Vielzahl verschiedener optischer Systeme. Alle diese optischen Systeme existieren in einer Vielzahl verschiedener Varianten. Alle diese Systeme können dann klassifiziert werden und mit ersten und zweiten Parametern zum maschinellen Lernen wie diskutiert verwendet werden.

[0052] Parameter optischer Systeme, insbesondere die erwähnten ersten Parameter, lassen sich vorteilhafter Weise aus Delano-Diagrammen gewinnen. Zudem kann wie oben erläutert auf Basis der Delano-Diagramme eine Metrik erstellt werden, mit der optische Systeme sowohl beim maschinellen Lernen (Schritt 21) als auch bei dem automatischen Erstellen eines Entwurfs (Schritt 23) bewertet werden können. In einem Delano-Diagramm wird im Wesentlichen der Abstand eines Randstrahls (englisch marginal ray) von einer optischen Achse über dem Abstand des Hauptstrahls (chief ray) von der optischen Achse aufgetragen. Dies wird nunmehr unter Bezugnahme auf die Figuren 4A und 4B erläutert.

[0053] Die Fig. 4A zeigt ein Beispiel für ein optisches System mit einer Eintrittslinse 40, welche eine Eintrittspupille definiert, einer Feldlinse 41 und einer Kollimatorlinse 42. Ein Randstrahl 43 und ein Hauptstrahl 45 sowie deren Abstände y, y zu der optischen Achse 44 sind ebenfalls eingezeichnet.

[0054] Die Fig. 4B zeigt ein entsprechendes Delano-Diagramm, bei welchem y über y aufgetragen ist. Ein Abschnitt 46 kennzeichnet den Strahlverlauf bis zu der Linse 40. Bei der Position der Linse 40 wird das Licht gebrochen, was sich in einer Richtungsänderung des Abschnitts 47 gegenüber dem Abschnitt 46 widerspiegelt. Bei der Linse 41 erfolgt eine weitere Lichtbrechung, was zu einer weiteren Richtungsänderung entsprechend dem Abschnitt 48 führt. Eine letzte Lichtbrechung erfolgt bei der Linse 42, was dann zu einem Verlauf entsprechend dem Abschnitt 49 führt. Die Richtungsänderungen bei Brechung geben darüber Auskunft, ob eine positive Brechkraft (beispielsweise Strahlfokussierung) oder eine negative Brechkraft (beispielsweise Strahlaufweitung) repräsentiert. Bei dem einfachen Beispiel der Fig. 4B wird davon ausgegangen, dass die Linsen dünn sind, so dass die Lichtbrechung beider Linsenoberflächen in einem Punkt zusammengefasst wurde. Bei dicken Linsen ist im Delano-Diagramm auch der Verlauf innerhalb der Linse sichtbar.

[0055] Dies ist in Fig. 5 veranschaulicht. Hier wird eine Linie 50 unter verschiedenen Winkeln 52, 54 und 56 durch ein entsprechendes optisches Element wie eine Linse zu Linien 51, 53 bzw. 55 geändert. Im Falle von der Linie 51 ist der zugeordnete Winkel 52 gegen den Uhrzeigersinn gerichtet, was einer negativen Brechkraft, in diesem Fall wegen des vergleichsweise kleinen Winkels 52 einer vergleichsweise kleinen negativen Brechkraft, entspricht. Im Falle der Linie 53 erfolgt die Richtungsänderung gemäß dem Winkel 54 im Uhrzeigersinn, was einer kleinen positiven Brechkraft entspricht. Im Falle der Linie 55 erfolgt die Richtungsänderung um einen vergleichsweise großen Winkel 56 im Uhrzeigersinn, was einer vergleichsweise großen positiven Brechkraft entspricht. Auf diese Weise kann auf Basis des Delano-Diagramms eine Analyse und Klassifizierung der einzelnen Komponenten, beispielsweise Linsen, des optischen Systems vorgenommen werden, um erste Parameter zu bestimmen. Insbesondere können verschieden Arten von Linsen oder auch anderen refraktiven oder reflektiven Elementen anhand der obigen Winkel, welche ein Beispiel für erste Parameter sind, unterschieden werden. Beispiele für verschiedene Linsentypen sind in den Figuren 6A-6D nebst zugehörigen Delano-Diagrammen gezeigt.

[0056] So zeigt die Fig. 6A ein Delano-Diagramm für eine vergleichsweise dicke Linse 61 mit zwei „Knickstellen“, welche die Oberflächen der Linse 61 widerspiegeln. Die Fig. 6D zeigt hingegen das Delano-Diagramm für eine dünne Linse 64, in dem im Wesentlichen ein einziger Knick (bzw. zwei sehr eng nebeneinander liegende Knicke) auftreten. Die Figuren 6B und 6C zeigen Delano-Diagramme für Meniskuslinsen 62 bzw. 63, welche in verschiedenen Richtungen gekrümmt sind. Dabei wird jeweils von einem in der Figur von links einfallenden Lichtstrahl ausgegangen. Wie in den Delano-Diagrammen ersichtlich, weist bei Meniskuslinsen eine Oberfläche jeweils eine positive Brechkraft auf, während die jeweils andere Oberfläche der Linse eine negative Brechkraft aufweist, wie aus den Richtungsänderungen im Delano-Diagramm (vgl. die Erläuterung zu Fig. 5) ersichtlich.

[0057] Auf diese Weise können mittels Delano-Diagrammen verschiedene optische Systeme klassifiziert (bewertet) werden. Insbesondere können die unterschiedlichen Oberflächen und Elemente des Systems wie erwähnt durch den jeweiligen Winkel, um den sich die Linie im Delano-Diagramm ändert, klassifiziert werden. So kann mittels eines entsprechenden Computerprogramms jedes optische System aus einer Menge bekannter optischer Systeme in eine Darstellung als Delano-Diagramm übertragen werden, und dann kann jede Oberfläche in dem System hinsichtlich Brechkraft, optischer Aberrationen, Position bezüglich einer Pupille etc. klassifiziert werden. Auf dieser Basis kann dann die Art, Funktion und Position jedes optischen Elements in dem System charakterisiert werden und somit das jeweilige System mit entsprechenden ersten Parametern wie ober erläutert charakterisiert werden. Somit ergibt sich aus dem Delano-Diagramm eine Beschreibung des optischen System anhand der Beschreibung der Komponenten sowie Parameter des optischen Systems, welche dann als Merkmalsvektor für das maschinelle Lernen verwendet werden können.

[0058] Auf diese Weise können optische Systeme vereinheitlicht beschrieben werden, was das anschließende maschinelle Lernen, beispielsweise das Trainieren des neuronalen Netzwerks 11, ermöglicht.

Claims (13)

1. Verfahren zum Trainieren einer Vorrichtung zum Entwerfen optischer System, umfassend: Bereitstellen, in einer Recheneinrichtung der Vorrichtung, einer Vielzahl von optischen Systemen, und Durchführen, in der Recheneinrichtung, eines maschinellen Lernverfahrens auf Basis der Vielzahl optischer Systeme, wobei das Bereitstellen einer Vielzahl von optischen Systemen ein Klassifizieren der Vielzahl von optischen Systemen umfasst, um Parameter bereitzustellen, die die Vielzahl von optischen Systemen beschreiben, wobei das maschinelle Lernen auf Basis der Parameter durchgeführt wird, und wobei das Klassifizieren auf Basis von Delano-Diagrammen der Vielzahl optischer Systeme erfolgt.

2. Verfahren nach Anspruch 1, wobei das Durchführen des maschinellen Lernverfahrens ein Trainieren eines künstlichen neuronalen Netzwerks umfasst.

3. Verfahren nach Anspruch 2, wobei das neuronale Netzwerk mehrere Schichten umfasst.

4. Verfahren nach Anspruch 1, wobei die Parameter erste Parameter umfassen, die Komponenten der Vielzahl von optischen Systemen beschreiben.

5. Verfahren nach einem der Ansprüche 1 oder 4, wobei die Parameter zweite Parameter umfassen, die optische Eigenschaften der Vielzahl optischer Systeme beschreiben.

6. Verfahren nach einem der Ansprüche 1-5, wobei das maschinelle Lernverfahren ein Verfahren des bestärkenden Lernens umfasst.

7. Verfahren nach einem der Ansprüche 1-6, wobei das Bereitstellen der Vielzahl von optischen Systemen ein Entwerfen der Vielzahl optischer Systeme durch einen Optikdesigner umfasst, wobei das maschinelle Lernverfahren ein Verfahren des nachahmenden Lernens auf Basis des Entwerfens umfasst.

8. Verfahren nach einem der Ansprüche 1-7, wobei das maschinelle Lernverfahren ein Anwenden einer auf Delano-Diagrammen beruhenden Metrik umfasst.

9. Verfahren zum Entwerfen optischer Systeme, umfassend: Zuführen von Parametern, welche gewünschte Eigenschaften des optischen Systems beschreiben, an eine mit dem Verfahren nach einem der Ansprüche 1-8 trainierte Vorrichtung, und Erhalten eines Entwurfs eines optischen Systems von der Vorrichtung.

10. Verfahren nach Anspruch 9, wobei das Erhalten eines Entwurfs ein Anwenden einer auf Delano-Diagrammen beruhenden Metrik umfasst.

11. Vorrichtung, umfassend eine Recheneinrichtung, welche Recheneinrichtung eingerichtet ist, eine Vielzahl von optischen Systemen bereitzustellen und ein maschinelles Lernen auf Basis der Vielzahl optischer Systeme durchzuführen zum Trainieren der Vorrichtung zum Entwerfen optischer Systeme, wobei das Bereitstellen einer Vielzahl von optischen Systemen ein Klassifizieren der Vielzahl von optischen Systemen umfasst, um Parameter bereitzustellen, die die Vielzahl von optischen Systemen beschreiben, wobei das maschinelle Lernen auf Basis der Parameter durchgeführt wird, und wobei das Klassifizieren auf Basis von Delano-Diagrammen der Vielzahl optischer Systeme erfolgt.

12. Vorrichtung nach Anspruch 11, wobei die Recheneinheit eingerichtet ist, ein Verfahren nach einem der Ansprüche 2-8 durchzuführen.

13. Vorrichtung zum Entwerfen optischer Systeme, wobei die Vorrichtung eine Recheneinrichtung umfasst, die eingerichtet ist, ein Verfahren nach einem der Ansprüche 9 oder 10 durchzuführen.