वह भौतिकी-सूचित न्यूरल नेटवर्क जो नैनोफोटोनिक डिज़ाइन का समय 30 दिन से घटाकर 3 दिन कर देता है

इंजीनियरों ने शास्त्रीय विद्युत चुंबकीय सॉल्वरों के तेज़ विकल्प के रूप में डीप न्यूरल नेटवर्क का रुख किया है। विचार सरल है: एक नेटवर्क को हज़ारों (ज्यामिति, ऑप्टिकल प्रतिक्रिया) जोड़ियों पर प्रशिक्षित करें, फिर इसका उपयोग घंटों के बजाय मिलीसेकंड में नए डिज़ाइनों के गुणों की भविष्यवाणी करने के लिए करें। पेंच यह है कि मानक न्यूरल नेटवर्क इसे एक शुद्ध पैटर्न-मिलान अभ्यास के रूप में देखते हैं। उन्हें भौतिकी का कोई आंतरिक ज्ञान नहीं होता, इसलिए उन्हें बुनियादी विद्युत चुंबकीय व्यवहार सीखने के लिए भी विशाल डेटासेट की आवश्यकता होती है — 40,000 सिमुलेशन और 30 दिन का समय अक्सर न्यूनतम आवश्यकता होती थी, और फिर भी मॉडल भौतिक रूप से असंभव आउटपुट उत्पन्न कर सकते थे ।

सफलता: नेटवर्क में भौतिकी को शामिल करना

चाल्मर्स के भौतिकी विभाग के प्रोफेसर फिलिप टैसिन और डॉक्टरल छात्र विक्टर लिल्जा ने एक मौलिक रूप से अलग दृष्टिकोण अपनाया। एक खाली स्लेट वाले न्यूरल नेटवर्क से केवल उदाहरणों से भौतिकी का अनुमान लगाने के लिए कहने के बजाय, उन्होंने मैक्सवेल के समीकरणों से प्राप्त बाधाओं को सीधे नेटवर्क की संरचना में हार्ड-कोड करके इसे "भौतिकी की बुनियादी शिक्षा" दी ।

उनका ढांचा, जो Laser & Photonics Reviews में "A General Framework for Knowledge Integration in Machine Learning for Electromagnetic Scattering Using Quasinormal Modes" शीर्षक से प्रकाशित हुआ है, इस विचार को एक विशिष्ट भौतिक अवधारणा: क्वासिनॉर्मल मोड्स (QNMs) के इर्द-गिर्द औपचारिक रूप देता है । हर अनुनादी ऑप्टिकल संरचना में इन मोड्स का एक सेट होता है, जिनमें से प्रत्येक की एक जटिल आवृत्ति द्वारा विशेषता होती है जो इसके दोलन और क्षय दोनों का वर्णन करती है। किसी संरचना का प्रकीर्णन स्पेक्ट्रम — वही चीज़ जिसे इंजीनियर नियंत्रित करना चाहते हैं — इन क्वासिनॉर्मल मोड्स के योगदान के योग के रूप में व्यक्त किया जा सकता है। न्यूरल नेटवर्क को इस तरह संरचित करके कि वह स्वाभाविक रूप से इन अनुनादी योगदानों के संदर्भ में सीखे और विद्युत चुंबकीय प्रकीर्णन के ज्ञात गणितीय रूप का सम्मान करे, टीम ने मॉडल की सीखने की प्रक्रिया को केवल मैक्सवेल के समीकरणों के अनुरूप आउटपुट उत्पन्न करने तक सीमित कर दिया ।

टैसिन ने समझाया, "जब हमने सुपर-ब्रेन को भौतिकी के नियमों की जानकारी दी, तो यह तुरंत बहुत अधिक स्मार्ट हो गया। हमारी गणना में अब पहले की तुलना में दसवां हिस्सा समय लगता है" ।

पारंपरिक रूप से एक एकल प्रशिक्षण डेटा बिंदु के लिए 10-60 मिनट के सिमुलेशन की आवश्यकता होती थी। एक संपूर्ण प्रशिक्षण अभियान के लिए ऐसे 40,000 बिंदुओं की मांग हो सकती थी, जो कुल मिलाकर लगभग एक महीने का होता था। भौतिकी के मार्गदर्शन से, नेटवर्क बहुत कम उदाहरणों के साथ समान अंतर्निहित भौतिकी सीखता है। पर्याप्त प्रशिक्षण डेटा उत्पन्न करने में अब लगभग 3 दिन लगते हैं, और प्रशिक्षित नेटवर्क मिलीसेकंड में अपनी भविष्यवाणियाँ देता है, जबकि ऐसे अनुमान उत्पन्न करता है जो भौतिक रूप से विश्वसनीय होते हैं और स्पष्ट त्रुटियों से मुक्त होते हैं ।

QNM-सूचित आर्किटेक्चर कैसे काम करता है

इसका मूल तंत्र प्रकीर्णन मैट्रिक्स का क्वासिनॉर्मल मोड विस्तार है। किसी भी नैनोफोटोनिक संरचना में, प्रकाश पदार्थ की विशेषताओं के साथ अंतःक्रिया करते हुए प्रकीर्णित होता है। उस प्रकीर्णन को गणितीय रूप से अनुनादी मोड्स के अध्यारोपण के रूप में वर्णित किया जा सकता है। एक ऐसा नेटवर्क बनाकर जो स्वाभाविक रूप से इस मोडल प्रतिनिधित्व में काम करता है, शोधकर्ताओं ने यह सुनिश्चित किया कि विद्युत चुंबकीय प्रकीर्णन के कुछ गणितीय गुण — जैसे कारणता और प्रकीर्णन गुणांकों की विश्लेषणात्मक संरचना — स्वचालित रूप से संतुष्ट होते हैं ।

इसका व्यावहारिक परिणाम तीन गुना है:

• क्रांतिकारी रूप से छोटे प्रशिक्षण सेट: नेटवर्क को मैक्सवेल के समीकरणों को खरोंच से पुनः खोजने की आवश्यकता नहीं है। यह सही संरचनात्मक ज्ञान के साथ शुरू होता है और इसे केवल विशिष्ट सामग्री और ज्यामितीय व्यवहारों को सीखने के लिए उदाहरणों की आवश्यकता होती है।
• भौतिक रूप से प्रशंसनीय आउटपुट: क्योंकि आउटपुट स्पेस स्वाभाविक रूप से विवश है, नेटवर्क आसानी से निरर्थक परिणाम उत्पन्न नहीं कर सकता। यह एक सामान्य विफलता से बचाता है जहाँ एक विशुद्ध रूप से डेटा-चालित मॉडल ज्ञात भौतिकी का उल्लंघन करने वाले ऑप्टिकल गुण लौटाता है।
• मिलीसेकंड अनुमान: एक बार प्रशिक्षित होने के बाद, नेटवर्क एक तेज़ सरोगेट सॉल्वर के रूप में कार्य करता है जो किसी भी मनमानी नैनोफोटोनिक संरचना का मूल्यांकन करने और लगभग तुरंत उसके ऑप्टिकल गुणों को लौटाने में सक्षम है ।

वास्तविक दुनिया के अनुप्रयोग पहले से ही गति में हैं

डिज़ाइन की गति में दस गुना वृद्धि केवल एक प्रयोगशाला बेंचमार्क नहीं है — यह व्यावहारिक इंजीनियरिंग वर्कफ़्लो को अनलॉक करती है जो पहले असंभव थे।

कैमरा लेंस और चश्मे

कृत्रिम ऑप्टिकल सामग्री (मेटामटेरियल) पारंपरिक कांच या प्लास्टिक की तुलना में पतले, हल्के और अधिक प्रभावी लेंस का उत्पादन कर सकती है, लेकिन उन्हें डिजाइन करने के लिए विशाल पैरामीटर स्पेस की खोज की आवश्यकता होती है। भौतिकी-सूचित नेटवर्क तेजी से उन उम्मीदवार डिज़ाइनों का सर्वेक्षण कर सकता है जिनमें पारंपरिक सॉल्वरों के साथ सप्ताह लग जाते ।

क्वांटम कंप्यूटिंग इंटरकनेक्ट्स

चाल्मर्स टीम सक्रिय रूप से विश्वविद्यालय की क्वांटम कंप्यूटर परियोजना के साथ सहयोग कर रही है। लक्ष्य नैनोसंरचित सामग्रियों को डिज़ाइन करना है जो प्रकाश के यात्रा करने के तरीके को सटीक रूप से नियंत्रित करें, संभावित रूप से यांत्रिक रूप से अनुपालक फोटोनिक क्रिस्टल का उपयोग करके क्वांटम प्रोसेसर के बीच ऑप्टिकल-फ्रीक्वेंसी संचार चैनल बनाएं। इस तरह के इंटरकनेक्ट क्वांटम कंप्यूटरों को कुछ क्यूबिट से आगे बढ़ाने का एक महत्वपूर्ण हिस्सा हैं ।

सामान्य नैनोफोटोनिक इनवर्स डिज़ाइन

क्वासिनॉर्मल-मोड ढांचा जानबूझकर सामान्य है। यह मैक्सवेल के समीकरणों द्वारा शासित किसी भी ऑप्टिकल घटक पर लागू होता है: मेटासरफेस, मेटामटेरियल, वेवगाइड, और बहुत कुछ । संबंधित शोध ने प्रदर्शित किया है कि समान भौतिकी-एम्बेडेड मॉडल कुछ कार्यों के लिए 80,000 गुना से अधिक की अनुकूलन गति प्राप्त कर सकते हैं जबकि भविष्यवाणी सटीकता में भी सुधार कर सकते हैं ।

इस क्षेत्र के लिए इसका क्या अर्थ है

चाल्मर्स की सफलता कम्प्यूटेशनल नैनोफोटोनिक्स में एक व्यापक मोड़ को उजागर करती है। यह क्षेत्र पिछले कुछ वर्षों में तेजी से मशीन लर्निंग को अपना रहा है, जिसमें मॉडल पारंपरिक फिनाइट-डिफरेंस टाइम-डोमेन (FDTD) सॉल्वरों की तुलना में 500× से लेकर 10⁶× तक की गति प्राप्त कर रहे हैं । चाल्मर्स के काम को जो अलग करता है, वह है गहन भौतिकी एकीकरण के माध्यम से प्रशिक्षण प्रक्रिया को ही नाटकीय रूप से अधिक कुशल बनाने पर ध्यान केंद्रित करना, न कि केवल अनुमान चरण को तेज करना।

मैक्सवेल के समीकरणों को केवल एक लॉस फंक्शन में नहीं, बल्कि नेटवर्क की वास्तुकला की हड्डियों में शामिल करके, टीम ने मशीन लर्निंग सरोगेट्स की ओर एक मार्ग प्रदर्शित किया है जो तेज़ और भरोसेमंद दोनों हैं — एक संयोजन जो ऐतिहासिक रूप से विद्युत चुंबकीय डिज़ाइन में मायावी रहा है।