机器学习的光子设备的随机和多目标设计
Paolo Manfredi1, Abi Waqas2,3, Daniele Melati4
1Department of Electronics and Telecommunications, Politecnico di Torino, 10129, Turin, Italy.
Scientific reports
|March 27, 2024
概括
这项研究引入了一种设计光子设备的新方法,该方法可以考虑制造变化. 它通过模拟不确定性来帮助识别强大的设计,提高性能和可靠性.
科学领域:
- 光学和光学工程的光学和光学工程.
- 计算物理学的计算物理.
- 材料科学是一种材料科学.
背景情况:
- 光子设备需要复杂的设计,具有许多参数.
- 现有的优化方法经常忽略制造不确定性,影响现实世界的性能.
- 随机量极大地影响实验设备的结果.
研究的目的:
- 为光子设备的随机多目标设计开发一种新的方法.
- 整合无监督的维度减小和高斯过程回归来进行设计优化.
- 为了使设备权衡的综合分析能够考虑决定性和随机因素.
主要方法:
- 结合无监督的维度缩小与高斯过程回归.
- 将随机量 (制造不确定性) 纳入设计过程中.
- 在对绝缘体平台上研究了光纤合的表面格子.
主要成果:
- 确定了有前途的替代设计,并模拟了它们的统计反应.
- 分析了86个设计,显示出收益率和最坏情况下的表现存在显著差异.
- 在考虑不确定性时发现了光纤合效率和反向反射的显著差异.
结论:
- 提出的方法可以有效地识别强大的光子设备设计.
- 帕雷托边界显示了针对制造变化的优化设备稳定性.
- 提供了一个强大的工具,用于设计光子设备,用随机数字的优点.


