物理学を組み込んだAIがナノフォトニクス設計を30日から3日へ。チャルマース工科大の新たなブレイクスルー

ブレイクスルー：ネットワークに物理学を「焼き付ける」

チャルマース工科大学物理学・天文学科のフィリップ・タサン教授と博士課程のヴィクトル・リリア氏は、根本的に異なるアプローチを取りました。白紙状態のニューラルネットワークに例だけで物理を推論させるのではなく、マクスウェル方程式から導かれる制約条件をネットワークの構造に直接ハードコーディングすることで、「物理学の基礎教育」を施したのです 。

彼らの枠組みは、『Laser & Photonics Reviews』誌に掲載された論文「A General Framework for Knowledge Integration in Machine Learning for Electromagnetic Scattering Using Quasinormal Modes」で、ある特定の物理概念「準固有モード（QNM）」を中心に理論化されています 。あらゆる共振光学構造は、振動と減衰を記述する複素周波数によって特徴づけられる一連の固有モードを持っています。技術者が制御したい構造の散乱スペクトルは、これらの準固有モードからの寄与の総和として表現できるのです。研究チームは、ネットワークが本質的にこの共振寄与の観点で学習し、電磁散乱の既知の数学的形式を尊重するように構造化することで、モデルの学習プロセスをマクスウェル方程式に整合する出力のみに制約したのです 。

「スーパー頭脳に物理法則の情報を与えたところ、すぐに格段に賢くなりました」とタサン教授は説明します。「私たちの計算は、以前の10分の1の時間で済むようになりました」。

従来、1つの学習データポイントの生成に10分から60分かかり、4万ポイントものデータを集めるには約1カ月を要していました。物理のガイダンスがあれば、ネットワークははるかに少ない例で同じ物理を学習します。現在、十分な学習データの生成には約3日しかかかりません。学習済みのネットワークはミリ秒単位で予測を返し、物理的に信頼性が高く、明白な誤りのない推定値を生成します 。

このアプローチは、物理学に導かれた機械学習という、より大きなトレンドとも一致しています。マクスウェル方程式を学習プロセスに組み込むことで、物理的な一貫性と汎化性能が向上し、必要データ量を半減以下にできることが、他の最近の研究でも示されています 。

準固有モードに基づくアーキテクチャの仕組み

中核となるメカニズムは、散乱行列の準固有モード展開です。あらゆるナノフォトニクス構造では、光は材料の特徴と相互作用する際に散乱します。その散乱は、共振モードの重ね合わせとして数学的に記述できます。このモーダル表現で本来的に動作するネットワークを構築することで、因果律や散乱係数の解析的構造といった、電磁散乱の特定の数学的特性が自動的に満たされるようになります 。

これによる実用的な利点は3つです。

• 学習データの大幅な削減: ネットワークはマクスウェル方程式をゼロから再発見する必要がありません。最初から正しい構造的知識を備えており、特定の材料や幾何学的な挙動を学ぶための例が少なくて済みます。
• 物理的に妥当な出力: 出力空間が本質的に制約されるため、ナンセンスな結果を容易に生成できません。純粋にデータ駆動型のモデルが既知の物理に反する光学特性を返すという、よくある失敗モードを回避できます。
• ミリ秒単位の推論: 一度学習すれば、ネットワークは高速な代理ソルバーとして機能し、任意のナノフォトニクス構造を評価して、その光学特性をほぼ瞬時に返します 。

現実世界での応用がすでに始まっている

設計速度の10倍向上は、単なる実験室のベンチマーク記録ではありません。これまで不可能だった実用的なエンジニアリングワークフローを解き放つものです。

カメラレンズとメガネ

人工光学材料（メタマテリアル）は、従来のガラスやプラスチックよりも薄く、軽く、高性能なレンズを実現できますが、その設計には膨大なパラメータ空間の探索が必要です。物理学を組み込んだこのネットワークは、従来のソルバーでは数週間かかっていた設計候補の探索を高速で実行できます 。

量子コンピュータのインターコネクト

チャルマース大学のチームは、同大学の量子コンピュータプロジェクトと積極的に協力しています。目的は、光の伝わり方を精密に制御するナノ構造材料を設計し、機械的に柔軟なフォトニック結晶を用いて量子プロセッサ間の光周波数通信チャネルを実現することです。こうしたインターコネクトは、量子コンピュータを数個の量子ビットを超えて大規模化する上で重要なピースとなります 。

一般的なナノフォトニクスのインバースデザイン

準固有モードの枠組みは意図的に汎用的です。マクスウェル方程式に支配されるあらゆる光学部品、つまりメタサーフェス、メタマテリアル、導波路などに適用可能です 。関連研究では、物理を組み込んだ類似モデルが、特定のタスクにおいて8万倍以上の最適化高速化を達成しつつ、予測精度も向上させることが実証されています 。他の物理情報ニューラルネットワークを用いたメタサーフェス設計では、製造上の不確実性を考慮しながら高い光学性能を維持できることが示されており、実際の製造現場ではるかに実用的な設計を可能にしています 。

このブレイクスルーが分野に意味するもの

チャルマース大学の成果は、計算ナノフォトニクスにおける、より広範な転換点を浮き彫りにしています。この分野ではここ数年、機械学習の導入が急速に進み、従来のFDTD（時間領域差分）法と比較して500倍から100万倍以上の高速化を達成したモデルが登場しています 。チャルマース大学の研究を際立たせているのは、推論段階の高速化だけでなく、深い物理統合によって学習プロセスそのものを劇的に効率化している点です。

損失関数としてだけでなく、ネットワークの構造的な骨組みにマクスウェル方程式を埋め込むことで、このチームは高速かつ信頼性の高い機械学習サロゲートへの道筋を示しました。この組み合わせは、電磁設計の分野では歴史的に実現が難しいとされてきたものです。現在、他のチームも、時間依存のマクスウェル方程式をさらに高い効率で解くために、パラメータ化量子回路を活用した量子物理情報ニューラルネットワーク（QPINN）などの発展形を模索し始めています 。

おそらく最も雄弁な評価は、研究者自身の言葉でしょう。博士課程のヴィクトル・リリア氏は、従来のワークフローを率直にこう表現しました。「設計プロセスを始めて、30日後に結果が出ます。もし何かを追加しなければならないと気づけば、さらに1カ月かかることもあります」。新しいアプローチは、その期間を3日にまで圧縮し、ミリ秒で答えを返します。設計のイテレーション速度がイノベーションのペースを直接左右するこの分野で、その違いこそがすべてなのです。