自由形式纳米光子设备的样本效率反向设计,具有基于物理的强化学习
Chaejin Park1,2, Sanmun Kim1, Anthony W Jung2
1School of Electrical Engineering, Korea Advanced Institute of Science and Technology, Daejeon 34141, Republic of Korea.
Nanophotonics (Berlin, Germany)
|December 16, 2024
概括
基于物理学的强化学习 (PIRL) 通过显著提高样本效率和克服局部最小值来加速纳米光子设备设计. 这种方法在超表面光束衍射器中实现了创纪录的性能,并为复杂的自由形式设备提供了强大的优化.
科学领域:
- 纳米光子学 纳米光子学
- 计算物理 计算物理
- 机器学习 机器学习
背景情况:
- 设计最优的纳米光子设备是具有挑战性的,因为庞大的组合空间.
- 传统的优化方法往往受到低样本效率和局部最小值的影响.
研究的目的:
- 引入一种新的优化方法,即基于物理的强化学习 (PIRL),用于自由形式的纳米光子设计.
- 与传统方法相比,证明PIRL的优越样本效率和避免局部最小值的能力.
主要方法:
- 结合基于辅助的方法与强化学习 (RL).
- 开发奖励工程策略,以结合设计约束,如最小特征大小.
- 利用转移学习进一步提高样本效率.
主要成果:
- 与传统RL相比,样本效率得到了数量级的改进.
- 设计了高性能的一维超表面光束衍射器,超越了大多数报告的记录.
- 经过证明的稳定性和能够整合实际设计约束的能力.
结论:
- 皮尔尔为优化复杂的自由形式纳米光子设备提供了一种高样本效率和强大的方法.
- 该方法显示了在需要组合优化的各种物理领域加速发现的前景.
