使用深度神经网络进行高效的纳米光子设备优化,使用基于物理的转移学习方法训练深度神经网络
1Department of Information Display, Kyung Hee University, 26 Kyungheedae-ro, Dongdaemun-gu, Seoul, 02447, South Korea.
Scientific reports
|November 13, 2025
概括
我们开发了一个神经网络框架,用于光子设备的优化,大大减少了数据需求和计算时间. 这种方法可以使诸如量子级联激光器之类的设备的设计加速超过8万倍.
科学领域:
- 光子学是指光子学的使用方法.
- 计算物理 计算物理
- 机器学习 机器学习
背景情况:
- 光子设备优化至关重要,但由于高数据生成成本和不平衡的功能重要性而受到阻碍.
- 现有的方法在复杂的设计空间和多个局部最佳条件下扎,需要大量的计算资源.
- 对于光子设备的高效设计自动化,例如量子级联激光器 (QCL),需要新的方法来克服这些局限性.
研究的目的:
- 为高效的光子设备优化提出一个可泛化的基于神经网络 (NN) 的替代模型框架.
- 为了应对在光子设计中不平衡的特征重要性,高的数据成本和多个局部最佳的挑战.
- 为了加速复杂的光子设备的设计自动化过程,使用最小的数据资源.
主要方法:
- 开发了一个框架,将基于物理的转移学习 (PBTL) 增强的代孕模型与多目标遗传算法 (GA) 结合起来.
- 集成了深度神经网络总预测器 (DNN-TP) 与GA,以取代计算上昂贵的数值模拟.
- 利用PBTL将知识从训练在特定设备区域的核心预测器 (DNN-CP) 传输,以提高概括性.
主要成果:
- 通过用DNN-TP模型取代数值模拟,实现了超过8万倍的优化加速度.
- PBTL提高了0.69%的预测准确度,培训数据需求减少了50%.
- 产生了更可行的设备结构,在优化过程中显示了评估指标的60%的改进.
结论:
- 拟议的基于NN的替代模型框架为光子设备优化提供了高效和可通用的解决方案.
- 将PBTL和DNN-TP与GA集成,有效地解决了数据稀缺性和计算成本的挑战.
- 这种框架显著加速了设计空间的探索,为像QCLs这样的设备实现了大规模优化.