Natuurkundig AI-‘Superbrein’ verkort ontwerptijd nanofotonica met 90 procent

Ingenieurs zetten deep learning in als snelle vervanger voor klassieke elektromagnetische solvers. Het idee is simpel: train een netwerk op duizenden paren van (geometrie, optische respons) en gebruik het vervolgens om nieuwe ontwerpen in milliseconden te evalueren. Het addertje onder het gras is dat standaard neurale netwerken dit puur als patroonherkenning zien. Ze missen elke intrinsieke kennis van fysica en hebben gigantische datasets nodig – 40.000 simulaties was vaak het absolute minimum – en zelfs dan konden de modellen fysisch onmogelijke resultaten produceren .

De doorbraak: Fysica in het netwerk verankeren

Philippe Tassin, hoogleraar aan de faculteit Natuurkunde van Chalmers, en promovendus Viktor Lilja kozen een fundamenteel andere route. In plaats van een onwetend neuraal netwerk de fysica zelfstandig te laten ontdekken, gaven ze het een 'basisopleiding natuurkunde' door de randvoorwaarden uit Maxwells vergelijkingen rechtstreeks in de netwerkstructuur te coderen .

Hun raamwerk, gepubliceerd in Laser & Photonics Reviews, formaliseert dit idee rond een specifiek fysisch concept: quasinormale modi (QNMs) . Elke resonante optische structuur bezit een set van zulke modi, elk gekarakteriseerd door een complexe frequentie die zowel de oscillatie als het verval beschrijft. Het verstrooiingsspectrum – precies wat ingenieurs willen beheersen – kan worden uitgedrukt als een som van bijdragen van deze quasinormale modi. Door het netwerk zo te structureren dat het inherent leert in termen van deze resonante bijdragen en de wiskundige structuur van elektromagnetische verstrooiing respecteert, dwong het team het leermodel om alleen uitkomsten te produceren die consistent zijn met Maxwells theorie .

"Toen we het superbrein voedden met informatie over de natuurwetten, werd het meteen veel slimmer," aldus Tassin. "Onze berekeningen duren nu nog maar een tiende van de oorspronkelijke tijd" .

Eén enkel traditioneel trainingspunt kostte voorheen een simulatie van 10 tot 60 minuten. Een complete trainingscampagne kon tot 40.000 van zulke punten vergen. Met fysische sturing leert het netwerk dezelfde onderliggende fysica met veel minder voorbeelden. Het genereren van voldoende trainingsdata duurt nu nog ongeveer 3 dagen, en het getrainde netwerk levert voorspellingen in milliseconden die fysisch betrouwbaar zijn .

Deze aanpak sluit aan bij een bredere trend van fysica-geleide machine learning. Ander recent werk toont aan dat het inbedden van Maxwells vergelijkingen in het trainingsproces de fysische consistentie verbetert en de datavereisten meer dan halveert .

Hoe de QNM-geïnformeerde architectuur werkt

Het kernmechanisme is de quasinormale modus-expansie van de verstrooiingsmatrix. Door een netwerk te bouwen dat inherent opereert in deze modale representatie, zorgen de onderzoekers ervoor dat bepaalde wiskundige eigenschappen van elektromagnetische verstrooiing, zoals causaliteit, automatisch worden nageleefd .

De praktische winst is drieledig:

• Drastisch kleinere trainingssets: Het netwerk hoeft Maxwells vergelijkingen niet vanaf nul te herontdekken. Het begint met correcte structurele kennis en heeft alleen voorbeelden nodig om specifieke materiaal- en geometrische gedragingen te leren.
• Fysisch plausibele uitkomsten: Doordat de uitkomstruimte inherent begrensd is, kan het netwerk niet gemakkelijk onzinnige resultaten produceren, een veelvoorkomend falen van puur datagedreven modellen.
• Inferentie in milliseconden: Eenmaal getraind fungeert het netwerk als een snelle surrogaatsolver die elke willekeurige nanofotonische structuur kan evalueren en de optische eigenschappen vrijwel direct retourneert .

Praktische toepassingen nu al in beweging

De tienvoudige ontwerpversnelling is niet alleen een laboratoriumcijfer – het ontsluit praktische ontwerpcycli die voorheen onhaalbaar waren.

Cameralenzen en brillenglazen

Kunstmatige optische materialen (metamaterialen) kunnen dunnere, lichtere en effectievere lenzen opleveren dan conventioneel glas of plastic, maar het ontwerpen ervan vereist het verkennen van enorme parameterruimtes. Het fysica-geïnformeerde netwerk kan razendsnel kandidaat-ontwerpen doorzoeken die met traditionele solvers weken zouden hebben gekost .

Verbindingen voor kwantumcomputers

Het team uit Göteborg werkt actief samen met het kwantumcomputerproject van de universiteit. Het doel is om nanostructuren te ontwerpen die licht precies sturen, waarmee optische communicatiekanalen tussen kwantumprocessors mogelijk worden gemaakt. Dergelijke verbindingen zijn cruciaal voor het opschalen van kwantumcomputers voorbij een handvol qubits .

Algemeen invers ontwerp

Het quasinormale-modus-raamwerk is bewust algemeen gehouden en toepasbaar op elke optische component die wordt beheerst door Maxwells vergelijkingen: metaoppervlakken, golfgeleiders en meer . Gerelateerd onderzoek heeft aangetoond dat vergelijkbare modellen versnellingen van meer dan 80.000 keer kunnen bereiken bij bepaalde optimalisatietaken, terwijl ze ook rekening houden met fabricage-onzekerheden, wat de ontwerpen veel praktischer maakt voor massaproductie .

Wat dit betekent voor het vakgebied

De doorbraak uit Göteborg markeert een keerpunt in de computationele nanofotonica. Waar de focus de laatste jaren lag op het versnellen van de inferentiestap – met successen variërend van een factor 500 tot meer dan een miljoen keer sneller dan traditionele FDTD-solvers – onderscheidt het werk van Chalmers zich door het trainingsproces zelf radicaal efficiënter te maken via diepe fysica-integratie .

Door Maxwells vergelijkingen niet alleen in een verliesfunctie, maar in de architectonische botten van het netwerk te verankeren, hebben de onderzoekers een pad gedemonstreerd naar machine-learning-surrogaten die zowel snel als betrouwbaar zijn – een combinatie die in elektromagnetisch ontwerp historisch ongrijpbaar is gebleven .

Wellicht de meest veelzeggende aanbeveling komt van de onderzoekers zelf. Viktor Lilja beschreef de oude werkwijze kernachtig: "Je begint een ontwerpproces en na 30 dagen krijg je de resultaten. Als je je dan realiseert dat je dingen moet toevoegen, ben je zo weer een maand verder" . De nieuwe aanpak comprimeert die tijdlijn tot drie dagen – en levert antwoorden in milliseconden. In een veld waar de snelheid van ontwerpiteraties direct het tempo van innovatie bepaalt, is dat verschil alles.