AI 'Super-Brain' Chalmers Pangkas Waktu Desain Nanofotonik dari 30 Hari Jadi 3 Hari

Mendesain komponen nanofotonik generasi berikutnya — struktur mungil yang mengendalikan cahaya dalam segala hal mulai dari lensa kamera hingga komputer kuantum — selalu menjadi proses yang lambat dan menguras komputasi. Para peneliti bisa menjalankan hingga 40.000 simulasi dengan ketelitian tinggi, di mana masing-masing bisa memakan waktu 10 hingga 60 menit, menghabiskan waktu sebulan penuh hanya untuk menghasilkan data pelatihan yang dapat digunakan untuk jaringan saraf standar . Kini, tim dari Chalmers University of Technology di Swedia telah menulis ulang linimasa itu sepenuhnya. Dengan menanamkan hukum fundamental elektromagnetisme langsung ke dalam arsitektur jaringan saraf, mereka memangkas waktu yang dibutuhkan untuk fase kritis pembuatan data tersebut dari 30 hari menjadi sekitar 3 hari saja .

Mengapa Desain Nanofotonik Tradisional Begitu Lambat

Pada skala nano, cahaya berperilaku dengan cara yang rumit diatur oleh persamaan Maxwell. Mendesain metamaterial, metasurface, atau kristal fotonik untuk mencapai efek optik tertentu — katakanlah, anti-pantulan sempurna atau filter warna spesifik — berarti memecahkan persamaan-persamaan itu berulang kali untuk variasi geometris yang tak terhitung jumlahnya. Masalah "desain invers" ini terkenal sulit karena properti optik yang diinginkan seringkali dapat dihasilkan oleh banyak struktur fisik yang berbeda, membuat ruang pencarian menjadi sangat luas .

Para insinyur telah beralih ke jaringan saraf dalam (deep neural networks) sebagai pengganti cepat untuk pemecah (solver) elektromagnetik klasik. Idenya sederhana: latih jaringan pada ribuan pasangan (geometri, respons optik), lalu gunakan jaringan tersebut untuk memprediksi properti desain baru dalam milidetik, bukan menit atau jam. Masalahnya, jaringan saraf standar mendekati ini sebagai latihan murni pencocokan pola. Mereka tidak memiliki pengetahuan intrinsik tentang fisika, sehingga mereka membutuhkan kumpulan data yang sangat besar untuk mempelajari bahkan perilaku elektromagnetik dasar — 40.000 simulasi yang menghabiskan 30 hari seringkali adalah batas minimum, dan bahkan model yang dihasilkan pun dapat menghasilkan keluaran yang mustahil secara fisik .

Terobosan: Memasak Fisika ke Dalam Jaringan

Philippe Tassin, seorang profesor di Departemen Fisika Chalmers, dan mahasiswa doktoral Viktor Lilja mengambil pendekatan yang berbeda secara fundamental. Alih-alih meminta jaringan saraf yang masih "kosong" untuk menyimpulkan fisika hanya dari contoh, mereka memberinya "pendidikan dasar dalam fisika" dengan meng-hard-code batasan yang diturunkan dari persamaan Maxwell langsung ke dalam struktur jaringan .

Kerangka kerja mereka, yang diterbitkan di Laser & Photonics Reviews dengan judul "A General Framework for Knowledge Integration in Machine Learning for Electromagnetic Scattering Using Quasinormal Modes," meresmikan ide ini di sekitar konsep fisik spesifik: quasinormal modes (QNMs) . Setiap struktur optik yang beresonansi memiliki satu set mode ini, masing-masing dicirikan oleh frekuensi kompleks yang mendeskripsikan osilasi dan peluruhannya. Spektrum hamburan suatu struktur — hal yang ingin dikendalikan oleh para insinyur — dapat diekspresikan sebagai jumlah kontribusi dari quasinormal modes ini. Dengan menyusun jaringan saraf sehingga secara inheren belajar dalam istilah kontribusi resonansi ini dan menghormati bentuk matematis yang diketahui dari hamburan elektromagnetik, tim membatasi proses pembelajaran model untuk hanya menghasilkan keluaran yang konsisten dengan persamaan Maxwell .

"Ketika kami memberi 'otak-super' itu informasi tentang hukum fisika, ia langsung menjadi jauh lebih pintar," jelas Tassin. "Kalkulasi kami sekarang hanya memakan sepersepuluh dari waktu yang sebelumnya dibutuhkan" .

Sebuah titik data pelatihan tradisional sebelumnya membutuhkan simulasi selama 10–60 menit. Seluruh kampanye pelatihan bisa menuntut hingga 40.000 titik seperti itu, dengan total sekitar sebulan. Dengan panduan fisika, jaringan mempelajari fisika dasar yang sama dengan contoh yang jauh lebih sedikit. Menghasilkan data pelatihan yang cukup kini hanya memakan waktu sekitar 3 hari, dan jaringan yang telah dilatih memberikan prediksinya dalam milidetik sambil menghasilkan estimasi yang andal secara fisik dan bebas dari kesalahan mencolok .

Pendekatan ini juga selaras dengan tren yang lebih luas dalam machine learning berbasis fisika. Penelitian terbaru lainnya menunjukkan bahwa menanamkan persamaan Maxwell ke dalam proses pelatihan dapat meningkatkan konsistensi fisika dan kemampuan generalisasi sekaligus mengurangi kebutuhan data hingga setengahnya atau lebih . Jaringan saraf berbasis fisika (physics-informed neural networks) ini menandakan pergeseran dari pencocokan data buta menuju model yang menghormati hukum fundamental sejak awal.

Bagaimana Arsitektur Berbasis QNM Bekerja

Mekanisme intinya adalah ekspansi quasinormal mode dari matriks hamburan. Dalam struktur nanofotonik apa pun, cahaya menyebar saat berinteraksi dengan fitur material. Hamburan itu dapat dijelaskan secara matematis sebagai superposisi dari mode resonansi. Dengan membangun jaringan yang secara inheren beroperasi dalam representasi modal ini, para peneliti memastikan bahwa properti matematis tertentu dari hamburan elektromagnetik — seperti kausalitas dan struktur analitik dari koefisien hamburan — terpenuhi secara otomatis .

Inti praktisnya ada tiga:

• Set pelatihan yang jauh lebih kecil: Jaringan tidak perlu menemukan kembali persamaan Maxwell dari nol. Ia memulai dengan pengetahuan struktural yang benar dan hanya membutuhkan contoh untuk mempelajari perilaku material dan geometris tertentu.
• Keluaran yang masuk akal secara fisik: Karena ruang keluarannya secara inheren dibatasi, jaringan tidak dapat dengan mudah menghasilkan hasil yang nonsens. Ini menghindari mode kegagalan umum di mana model berbasis data murni mengembalikan properti optik yang melanggar fisika yang diketahui.
• Inferensi milidetik: Setelah dilatih, jaringan berfungsi sebagai surrogate solver cepat yang mampu mengevaluasi struktur nanofotonik sembarang dan mengembalikan properti optiknya hampir seketika .

Aplikasi Dunia Nyata yang Sudah Berjalan

Peningkatan kecepatan desain sepuluh kali lipat ini bukan hanya tolok ukur laboratorium — ini membuka alur kerja rekayasa praktis yang sebelumnya tidak mungkin dilakukan.

Lensa Kamera dan Kacamata

Material optik buatan (metamaterial) dapat menghasilkan lensa yang lebih tipis, lebih ringan, dan lebih efektif daripada kaca atau plastik konvensional, tetapi mendesainnya memerlukan eksplorasi ruang parameter yang sangat besar. Jaringan berbasis fisika ini dapat dengan cepat menyisir kandidat desain yang akan memakan waktu berminggu-minggu dengan pemecah tradisional .

Interkoneksi Komputer Kuantum

Tim Chalmers secara aktif berkolaborasi dengan proyek komputer kuantum universitas tersebut. Tujuannya adalah untuk mendesain material nanostruktur yang secara presisi mengendalikan bagaimana cahaya merambat, yang berpotensi menciptakan saluran komunikasi frekuensi optik antara prosesor kuantum menggunakan kristal fotonik yang patuh secara mekanis. Interkoneksi semacam itu adalah bagian penting dari peningkatan skala komputer kuantum melampaui beberapa qubit .

Desain Invers Nanofotonik Umum

Kerangka quasinormal-mode ini sengaja dibuat umum. Ini berlaku untuk setiap komponen optik yang diatur oleh persamaan Maxwell: metasurfaces, metamaterial, pandu gelombang, dan banyak lagi . Penelitian terkait telah menunjukkan bahwa model fisika-tertanam serupa dapat mencapai percepatan optimasi melebihi 80.000 kali untuk tugas-tugas tertentu sekaligus meningkatkan akurasi prediksi . Kelompok lain yang menggunakan jaringan saraf berbasis fisika untuk desain metasurface telah menunjukkan kemampuan untuk mempertahankan kinerja optik yang tinggi sambil memperhitungkan ketidakpastian fabrikasi, membuat desain ini jauh lebih praktis untuk manufaktur nyata .

Arti Pentingnya bagi Dunia Riset

Terobosan Chalmers menyoroti titik belok yang lebih luas dalam nanofotonik komputasional. Bidang ini telah dengan cepat mengadopsi machine learning selama beberapa tahun terakhir, dengan model yang mencapai percepatan 500× hingga lebih dari 10⁶× dibandingkan dengan pemecah finite-difference time-domain (FDTD) tradisional . Apa yang membedakan pekerjaan Chalmers adalah fokusnya pada pembuatan proses pelatihan itu sendiri menjadi jauh lebih efisien melalui integrasi fisika yang mendalam, bukan hanya mempercepat langkah inferensi.

Dengan menanamkan persamaan Maxwell tidak hanya dalam fungsi kerugian (loss function) tetapi ke dalam tulang punggung arsitektur jaringan, tim telah menunjukkan jalan menuju pengganti machine learning yang cepat sekaligus tepercaya — kombinasi yang secara historis sulit dipahami dalam desain elektromagnetik. Tim lain sekarang sedang menjajaki varian berbasis fisika kuantum yang memanfaatkan sirkuit kuantum terparameterisasi untuk menyelesaikan persamaan Maxwell yang bergantung pada waktu dengan efisiensi yang lebih besar lagi .

Mungkin dukungan yang paling jujur datang dari para peneliti itu sendiri. Viktor Lilja menggambarkan alur kerja sebelumnya dengan blak-blakan: "Anda memulai dengan proses desain dan setelah 30 hari Anda mendapatkan hasilnya. Lalu jika Anda menyadari bahwa Anda perlu menambahkan lebih banyak hal, itu bisa memakan waktu sebulan lagi" . Pendekatan baru meruntuhkan linimasa itu menjadi tiga hari — dan memberikan jawaban dalam milidetik. Di bidang di mana kecepatan iterasi desain secara langsung mendikte laju inovasi, perbedaan itu adalah segalanya.