机器学习辅助的光子设备开发:从理论到表征的多尺度方法.
Yuheng Chen1,2, Alexander Montes McNeil3,4, Taehyuk Park5
1Elmore Family School of Electrical and Computer Engineering, Birck Nanotechnology Center, and Purdue Quantum Science and Engineering Institute, Purdue University, West Lafayette, IN 47907, USA.
Nanophotonics (Berlin, Germany)
|November 17, 2025
概括
机器学习 (ML) 通过克服计算和制造方面的挑战,加速光子设备开发 (PDD). ML-PDD增强了先进光子设备的设计优化,模拟速度和制造流程.
科学领域:
- 光学和光子学 在光学和光子学.
- 材料科学 材料科学 材料科学
- 计算科学 计算科学
背景情况:
- 光子设备开发 (PDD) 传统上依赖于计算密集型方法,如贝叶斯优化和物理驱动模拟.
- 在PDD中的挑战包括大型优化场景,表征不确定性和制造困难,阻碍可扩展性和效率.
研究的目的:
- 在PDD中提供机器学习 (ML) 应用的全面概述.
- 要突出ML驱动的策略如何克服传统的PDD限制.
- 促进跨学科的研究,以加速光子设备的创新.
主要方法:
- 审查ML技术,包括替代估计器,生成建模,强化学习和主动学习.
- 机器学习的应用用于加速计算,建模噪音测量和优化制造.
- 将ML集成到五步PDD过程中:设计推导,模拟,优化,制造和测量.
主要成果:
- 机器学习提供数据驱动的解决方案,以提高PDD的效率,克服计算难度.
- 生成模型改善噪音测量建模和数据增强.
- 强化学习有助于优化制造过程.
结论:
- 机器学习辅助PDD (ML-PDD) 显著加快了复杂光子设备的设计和开发.
- 机器学习集成可以实现更快的模拟,在不确定性下进行可靠的表征,以及高效的制造.
- 这一审查使研究人员能够利用机器学习在各种应用中推进光子技术.


