Chalmers fysiktränade AI minskar designtiden för nanofotonik med 90 %

Ingenjörer har börjat använda djupa neurala nätverk som snabba surrogatmodeller för klassiska elektromagnetiska lösare. Idén är enkel: träna ett nätverk på tusentals par av (geometri, optisk respons) och använd det sedan för att förutsäga egenskaperna hos nya designer på millisekunder istället för minuter eller timmar. Haken är att vanliga neurala nätverk ser detta som ren mönstermatchning. De har ingen inneboende kunskap om fysik och behöver därför enorma datamängder för att lära sig ens grundläggande elektromagnetiskt beteende — 40 000 simuleringar över 30 dagar var ofta minimikravet, och även då kunde modellerna generera fysikaliskt omöjliga resultat .

Genombrottet: Att baka in fysiken i nätverket

Philippe Tassin, professor vid Chalmers institution för fysik, och doktoranden Viktor Lilja valde ett fundamentalt annorlunda tillvägagångssätt. Istället för att låta ett blankt neuralt nätverk härleda fysik från enbart exempel, gav de det en "grundläggande utbildning i fysik" genom att hårdkoda begränsningar från Maxwells ekvationer direkt i nätverkets struktur .

Deras ramverk, publicerat i Laser & Photonics Reviews under titeln "A General Framework for Knowledge Integration in Machine Learning for Electromagnetic Scattering Using Quasinormal Modes", formaliserar denna idé kring ett specifikt fysikaliskt koncept: kvasinormala moder (eng. quasinormal modes, QNMs) . Varje resonant optisk struktur har en uppsättning av dessa moder, där varje mod karaktäriseras av en komplex frekvens som beskriver både dess svängning och dess dämpning. Spridningsspektrumet för en struktur — just det ingenjörer vill kontrollera — kan uttryckas som en summa av bidrag från dessa kvasinormala moder. Genom att strukturera det neurala nätverket så att det i grunden lär sig i termer av dessa resonanta bidrag och respekterar den kända matematiska formen för elektromagnetisk spridning, tvingade teamet modellens inlärningsprocess att endast producera utdata som är förenliga med Maxwells ekvationer .

"När vi matade superhjärnan med information om fysikens lagar blev den genast mycket smartare," förklarade Tassin. "Våra beräkningar tar nu en tiondel av den tid som tidigare krävdes" .

En enda traditionell träningsdatapunkt krävde tidigare en simulering på 10–60 minuter. En hel träningskampanj kunde kräva upp till 40 000 sådana punkter, totalt ungefär en månad. Med fysikens vägledning lär sig nätverket samma underliggande fysik med långt färre exempel. Att generera tillräcklig träningsdata tar nu ungefär 3 dagar, och det tränade nätverket levererar sina förutsägelser på millisekunder samtidigt som det producerar uppskattningar som är fysikaliskt tillförlitliga och fria från uppenbara fel .

Denna metod ligger också i linje med bredare trender inom fysikguidad maskininlärning. Annan ny forskning har visat att inbäddning av Maxwells ekvationer i träningsprocessen kan förbättra fysikalisk konsistens och generaliserbarhet samtidigt som datakraven minskar med hälften eller mer . Dessa fysikinformerade neurala nätverk representerar ett skifte från blind dataanpassning mot modeller som respekterar grundläggande lagar från början.

Så fungerar den QNM-informerade arkitekturen

Den centrala mekanismen är den kvasinormala mod-utvecklingen av spridningsmatrisen. I varje nanofotonisk struktur sprids ljuset när det interagerar med materialstrukturer. Denna spridning kan matematiskt beskrivas som en superposition av resonanta moder. Genom att bygga ett nätverk som i grunden arbetar i denna modala representation såg forskarna till att vissa matematiska egenskaper hos elektromagnetisk spridning — som kausalitet och den analytiska strukturen hos spridningskoefficienter — automatiskt uppfylls .

De praktiska konsekvenserna är trefaldiga:

• Radikalt mindre träningsset: Nätverket behöver inte återupptäcka Maxwells ekvationer från grunden. Det startar med korrekt strukturell kunskap och behöver bara exempel för att lära sig specifika material- och geometriska beteenden.
• Fysikaliskt rimliga utdata: Eftersom utdatarummet är inneboende begränsat kan nätverket inte enkelt producera orimliga resultat. Detta undviker ett vanligt felläge där en rent datadriven modell returnerar optiska egenskaper som bryter mot känd fysik.
• Slutledning på millisekunder: När nätverket väl är tränat fungerar det som en snabb surrogatlösare som kan utvärdera vilken godtycklig nanofotonisk struktur som helst och returnera dess optiska egenskaper nästan omedelbart .

Verkliga tillämpningar redan i rörelse

Den tiofaldiga designaccelerationen är inte bara ett laboratoriebenchmark — den låser upp praktiska ingenjörsflöden som tidigare var omöjliga.

Kameralinser och glasögon

Konstgjorda optiska material (metamaterial) kan producera tunnare, lättare och mer effektiva linser än konventionellt glas eller plast, men att designa dem kräver utforskning av enorma parameterrymder. Det fysikinformerade nätverket kan snabbt söka igenom kandidatdesigner som skulle ha tagit veckor med traditionella lösare .

Sammankopplingar för kvantdatorer

Chalmerslaget samarbetar aktivt med universitetets kvantdatorprojekt. Målet är att designa nanostrukturerade material som exakt kontrollerar hur ljus färdas, och potentiellt skapa optiska kommunikationskanaler mellan kvantprocessorer med hjälp av mekaniskt eftergivliga fotoniska kristaller. Sådana sammankopplingar är en kritisk pusselbit för att skala upp kvantdatorer bortom några få kvantbitar .

Generell nanofotonisk invers design

Ramverket för kvasinormala moder är medvetet generellt. Det är tillämpligt på vilken optisk komponent som helst som styrs av Maxwells ekvationer: metaytor, metamaterial, vågledare och mer . Relaterad forskning har visat att liknande fysikinbäddade modeller kan uppnå optimeringsaccelerationer på över 80 000 gånger för vissa uppgifter, samtidigt som förutsägelsenoggrannheten förbättras . Andra grupper som använder fysikinformerade neurala nätverk för design av metaytor har visat förmågan att bibehålla hög optisk prestanda samtidigt som man tar hänsyn till tillverkningsosäkerheter, vilket gör dessa designer mycket mer praktiska för verklig produktion .

Vad detta betyder för fältet

Chalmers genombrott belyser en bredare brytpunkt inom beräkningsbaserad nanofotonik. Fältet har snabbt anammat maskininlärning de senaste åren, där modeller har uppnått accelerationer på 500× till över 10⁶× jämfört med traditionella FDTD-lösare (finite-difference time-domain) . Det som utmärker Chalmersarbetet är dess fokus på att göra själva träningsprocessen dramatiskt mer effektiv genom djup fysikintegration, snarare än att bara accelerera slutledningssteget.

Genom att bädda in Maxwells ekvationer inte bara i en förlustfunktion utan i nätverkets arkitektoniska skelett, har teamet demonstrerat en väg mot surrogatmodeller för maskininlärning som är både snabba och pålitliga — en kombination som historiskt sett varit svårfångad inom elektromagnetisk design. Andra team undersöker nu kvantfysikinformerade varianter som använder parametriserade kvantkretsar för att lösa tidsberoende Maxwells ekvationer med ännu högre effektivitet .

Det kanske mest talande erkännandet kommer från forskarna själva. Viktor Lilja beskrev det tidigare arbetsflödet rakt på sak: "Du börjar med en designprocess och efter 30 dagar får du resultaten. Sedan, om du inser att du behöver lägga till fler saker, kan det ta ytterligare en månad" . Det nya tillvägagångssättet kortar ner den tidslinjen till tre dagar — och levererar svar på millisekunder. I ett fält där hastigheten på designiterationer direkt styr innovationstakten, betyder den skillnaden allt.