Физически обученный «супермозг» ускоряет разработку нанофотоники в 10 раз

Инженеры обратились к глубоким нейросетям как к быстрой замене классических электромагнитных решателей. Идея проста: обучить сеть на тысячах пар «геометрия — оптический отклик», а затем использовать ее для предсказания свойств новых дизайнов за миллисекунды вместо часов. Загвоздка в том, что для стандартных нейросетей это просто поиск закономерностей. У них нет «понимания» физики, поэтому им нужны гигантские наборы данных, чтобы выучить даже базовое электромагнитное поведение. 40 000 симуляций и 30 дней ожидания часто были необходимым минимумом, и даже тогда модели могли выдавать физически невозможные результаты .

Прорыв: «вшить» физику в нейронную сеть

Филипп Тассен, профессор кафедры физики Чалмерса, и его аспирант Виктор Лилья применили принципиально иной подход. Вместо того чтобы заставлять нейросеть-«чистый лист» выводить физику только из примеров, они дали ей «базовое физическое образование», жестко запрограммировав в ее структуре ограничения, вытекающие из уравнений Максвелла .

Их метод, опубликованный в журнале Laser & Photonics Reviews в статье «Общая концепция интеграции знаний в машинное обучение для электромагнитного рассеяния с использованием квазинормальных мод» (A General Framework for Knowledge Integration in Machine Learning for Electromagnetic Scattering Using Quasinormal Modes), формализует эту идею вокруг конкретного физического понятия: квазинормальных мод . Каждая резонансная оптическая структура обладает набором таких мод, каждая из которых характеризуется комплексной частотой, описывающей как осцилляцию, так и затухание. Спектр рассеяния структуры — именно то, чем инженеры хотят управлять, — можно представить как сумму вкладов от этих квазинормальных мод. Структурировав нейросеть так, чтобы она по своей сути обучалась через призму этих резонансных вкладов и учитывала известную математическую форму электромагнитного рассеяния, команда ограничила процесс обучения только теми результатами, которые согласуются с уравнениями Максвелла .

«Когда мы снабдили "супермозг" информацией о законах физики, он сразу стал гораздо умнее», — объяснил Тассен. «Теперь наши расчеты занимают десятую часть времени, которое требовалось раньше» .

Ранее одна точка данных для обучения требовала от 10 до 60 минут моделирования. Вся кампания по обучению могла потребовать до 40 000 таких точек, то есть около месяца. С физическим руководством сеть усваивает ту же физику на гораздо меньшем количестве примеров. Генерация достаточного объема обучающих данных теперь занимает примерно 3 дня, а обученная сеть выдает свои прогнозы за миллисекунды, причем физически достоверные и без грубых ошибок .

Этот подход также соответствует более широкой тенденции в области машинного обучения с привлечением физики. Другие недавние работы показали, что внедрение уравнений Максвелла в процесс обучения может улучшить физическую согласованность и обобщающую способность, одновременно сократив требования к данным вдвое или больше . Это знаменует собой сдвиг от слепой подгонки под данные к моделям, с самого начала уважающим фундаментальные законы.

Как работает архитектура на основе квазинормальных мод

Ключевой механизм — разложение матрицы рассеяния по квазинормальным модам. В любой нанофотонной структуре свет рассеивается, взаимодействуя с элементами материала. Это рассеяние может быть математически описано как суперпозиция резонансных мод. Построив сеть, которая изначально оперирует этим модальным представлением, исследователи добились того, что определенные математические свойства электромагнитного рассеяния — такие как причинность и аналитическая структура коэффициентов рассеяния — выполняются автоматически .

Практический результат тройной:

• Значительно меньшие обучающие выборки: Сети не нужно «изобретать» уравнения Максвелла заново. Она стартует с корректным структурным знанием, и ей нужны примеры только для изучения специфического поведения материалов и геометрии.
• Физически правдоподобные результаты: Поскольку пространство выходных данных по сути ограничено, сеть вряд ли выдаст бессмысленный результат. Это устраняет распространенную проблему моделей, основанных исключительно на данных, когда они возвращают оптические свойства, нарушающие известную физику.
• Вывод за миллисекунды: После обучения сеть служит быстрым суррогатным решателем, способным почти мгновенно оценить любую произвольную нанофотонную структуру и выдать ее оптические свойства .

Практическое применение уже начинается

Десятикратное ускорение проектирования — это не просто рекорд в лаборатории. Оно открывает путь к инженерным рабочим процессам, которые раньше были неосуществимы.

Линзы для камер и очки

Искусственные оптические материалы (метаматериалы) позволяют создавать более тонкие, легкие и эффективные линзы, чем обычное стекло или пластик, но их дизайн требует исследования огромных пространств параметров. Физически информированная сеть может быстро прочесывать варианты дизайна, на которые с традиционными решателями ушли бы недели .

Интерконнекты для квантовых компьютеров

Команда Чалмерса уже сотрудничает с университетским проектом по созданию квантового компьютера. Цель — спроектировать наноструктурированные материалы, которые могут точно контролировать распространение света. Это потенциально позволит создать оптические каналы связи между квантовыми процессорами с использованием механически податливых фотонных кристаллов. Такие интерконнекты — критически важный элемент для масштабирования квантовых компьютеров за пределы нескольких кубитов .

Универсальный обратный дизайн в нанофотонике

Концепция квазинормальных мод намеренно сделана общей. Она применима к любому оптическому компоненту, подчиняющемуся уравнениям Максвелла: метаповерхностям, метаматериалам, волноводам и так далее . Смежные исследования показали, что подобные модели со встроенной физикой могут ускорять оптимизацию более чем в 80 000 раз, одновременно повышая точность предсказаний . Другие группы, использующие физически информированные нейросети для дизайна метаповерхностей, могут поддерживать высокие оптические характеристики, учитывая производственные погрешности, что делает эти разработки гораздо более практичными для реального производства .

Что это значит для отрасли?

Прорыв из Чалмерса обозначает важный поворотный момент в вычислительной нанофотонике. В последние годы эта область быстро внедряла машинное обучение, и модели уже достигали ускорения от 500 до более чем в миллион раз по сравнению с традиционными решателями методом конечных разностей во временной области (FDTD) . Уникальность работы ученых из Чалмерса в том, что они сфокусировались на кардинальном повышении эффективности самого процесса обучения через глубокую интеграцию физики, а не только на ускорении этапа получения готовых ответов.

Внедряя уравнения Максвелла не просто в функцию потерь, а в саму архитектурную основу сети, команда продемонстрировала путь к созданию суррогатных ИИ-моделей для электромагнитного дизайна, которые одновременно быстры и заслуживают доверия. Это сочетание исторически было труднодостижимым. Другие команды уже исследуют квантовые физически информированные варианты, использующие параметризованные квантовые схемы для еще более эффективного решения зависящих от времени уравнений Максвелла .

Пожалуй, лучше всего прорыв описывают сами исследователи. Виктор Лилья лаконично описал прежний процесс так: «Вы начинаете процесс проектирования и через 30 дней получаете результат. Затем, если вы понимаете, что нужно что-то добавить, на это может уйти еще месяц» . Новый подход сжимает этот график до трех дней и выдает готовые ответы за миллисекунды. В сфере, где скорость итераций напрямую определяет темп инноваций, эта разница решает всё.