論文の概要: NeurOLight: A Physics-Agnostic Neural Operator Enabling Parametric Photonic Device Simulation

• arxiv url: http://arxiv.org/abs/2209.10098v1
• Date: Mon, 19 Sep 2022 21:25:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 17:39:19.668167
• Title: NeurOLight: A Physics-Agnostic Neural Operator Enabling Parametric Photonic Device Simulation
• Title（参考訳）: NeurOLight: 物理に依存しないニューラル演算子によるパラメトリックフォトニックデバイスシミュレーション
• Authors: Jiaqi Gu, Zhengqi Gao, Chenghao Feng, Hanqing Zhu, Ray T. Chen, Duane S. Boning, David Z. Pan
• Abstract要約: 超高速パラメトリックフォトニックデバイスシミュレーションのための周波数領域Maxwell PDEのファミリーを学習するために、NeurOLightと呼ばれる物理に依存しないニューラルネットワークフレームワークが提案されている。 我々は、NeurOLightが、未知のシミュレーション設定の広い空間に一般化し、数値解法よりも2桁の高速なシミュレーション速度を示し、予測誤差を54%減らし、パラメータを44%減らして、従来のニューラルネットワークモデルより優れていることを示す。
• 参考スコア（独自算出の注目度）: 17.295318670037886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optical computing is an emerging technology for next-generation efficient artificial intelligence (AI) due to its ultra-high speed and efficiency. Electromagnetic field simulation is critical to the design, optimization, and validation of photonic devices and circuits. However, costly numerical simulation significantly hinders the scalability and turn-around time in the photonic circuit design loop. Recently, physics-informed neural networks have been proposed to predict the optical field solution of a single instance of a partial differential equation (PDE) with predefined parameters. Their complicated PDE formulation and lack of efficient parametrization mechanisms limit their flexibility and generalization in practical simulation scenarios. In this work, for the first time, a physics-agnostic neural operator-based framework, dubbed NeurOLight, is proposed to learn a family of frequency-domain Maxwell PDEs for ultra-fast parametric photonic device simulation. We balance the efficiency and generalization of NeurOLight via several novel techniques. Specifically, we discretize different devices into a unified domain, represent parametric PDEs with a compact wave prior, and encode the incident light via masked source modeling. We design our model with parameter-efficient cross-shaped NeurOLight blocks and adopt superposition-based augmentation for data-efficient learning. With these synergistic approaches, NeurOLight generalizes to a large space of unseen simulation settings, demonstrates 2-orders-of-magnitude faster simulation speed than numerical solvers, and outperforms prior neural network models by ~54% lower prediction error with ~44% fewer parameters. Our code is available at https://github.com/JeremieMelo/NeurOLight.
• Abstract（参考訳）: 光コンピューティングは、その超高速と効率のため、次世代の効率的な人工知能(AI)の新興技術である。 電磁場シミュレーションは、フォトニックデバイスや回路の設計、最適化、検証に重要である。 しかし、コストのかかる数値シミュレーションはフォトニック回路設計ループのスケーラビリティとターンアラウンド時間を著しく妨げている。 近年,偏微分方程式(PDE)の単一インスタンスの光場解をあらかじめ定義されたパラメータで予測するために,物理インフォームドニューラルネットワークが提案されている。 複雑なPDEの定式化と効率的なパラメトリゼーション機構の欠如により、実用シミュレーションシナリオにおける柔軟性と一般化が制限される。 本稿では,超高速パラメトリックフォトニックデバイスシミュレーションのための周波数領域maxwell pdesのファミリーを学習するために,ニューロライトと呼ばれる物理非依存なニューラルオペレータベースのフレームワークを初めて提案する。 我々はニューロライトの効率と一般化をいくつかの新しい手法でバランスさせる。 具体的には、異なるデバイスを統一ドメインに識別し、パラメトリックpdesを予めコンパクトな波で表現し、マスク付きソースモデリングにより入射光を符号化する。 我々はパラメータ効率のよいクロスフォームなNeurOLightブロックを設計し、データ効率の学習に重ね合わせベースの拡張を採用する。 これらの相乗的アプローチにより、ニューロライトは未知のシミュレーション設定の広い空間に一般化し、数値解法よりも2次早いシミュレーション速度を示し、予測誤差が約54%低く、パラメータが約44%少ないニューラルネットワークモデルを上回る。 私たちのコードはhttps://github.com/JeremieMelo/NeurOLightで利用可能です。

関連論文リスト

• PACE: Pacing Operator Learning to Accurate Optical Field Simulation for Complicated Photonic Devices [14.671301859745453]
  既存のSOTAアプローチであるNeurOLightは、現実世界の複雑なフォトニックデバイスに対する高忠実度フィールドの予測に苦労している。 長距離モデリング能力の強いクロス軸分解型PACE演算子を提案する。 人間の学習に触発されて、非常に難しいケースのシミュレーションタスクを、段階的に簡単な2つのタスクに分解する。
  論文  参考訳（メタデータ） (2024-11-05T22:03:14Z)
• Liquid Fourier Latent Dynamics Networks for fast GPU-based numerical simulations in computational cardiology [0.0]
  複素測地上での高次非線形微分方程式の多スケールおよび多物理集合に対するパラメータ化時空間サロゲートモデルを作成するために、Latent Dynamics Networks(LDNets)の拡張を提案する。 LFLDNetは、時間的ダイナミクスのために神経学的にインスパイアされたスパースな液体ニューラルネットワークを使用し、時間進行のための数値ソルバの要求を緩和し、パラメータ、精度、効率、学習軌道の点で優れたパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2024-08-19T09:14:25Z)
• PIC2O-Sim: A Physics-Inspired Causality-Aware Dynamic Convolutional Neural Operator for Ultra-Fast Photonic Device FDTD Simulation [18.832901682895944]
  我々は,光デバイスシミュレーションのための物理インスパイアされたAIベースの予測フレームワーク PIC2OSim を提案する。 PIC2O-Simは51.2%のロールアウト予測誤差を提供し、パラメータは最先端のニューラル演算子よりも23.5倍少ない。
  論文  参考訳（メタデータ） (2024-06-24T18:15:36Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Physics-aware Differentiable Discrete Codesign for Diffractive Optical Neural Networks [12.952987240366781]
  本研究は,Diffractive Optical Neural Network (DONN) の効率的なトレーニングを可能にする,新しいデバイス間ハードウェア・ソフトウェア符号フレームワークを提案する。 Gumbel-Softmaxは、現実世界のデバイスパラメータからDONNの前方関数への微分可能な離散マッピングを可能にするために使用される。 その結果,提案手法は従来の量子化法に比べて大きな利点があることがわかった。
  論文  参考訳（メタデータ） (2022-09-28T17:13:28Z)
• Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
  時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。 一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。 幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
  論文  参考訳（メタデータ） (2021-04-01T19:06:00Z)
• Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
  集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。 このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。 線形光ネットワークの転送行列を再構成する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-01T16:04:22Z)
• Predicting atmospheric optical properties for radiative transfer computations using neural networks [0.0]
  我々は、現代の放射パラメータ化(RRTMGP)をエミュレートするためにニューラルネットワークを訓練することで、ガス光学特性の機械学習に基づくパラメトリゼーションを開発する。 我々のニューラルネットワークベースのガス光学パラメトリゼーションは、ニューラルネットワークのサイズによって、RRTMGPの最大4倍高速である。 機械学習に基づくパラメトリゼーションは、高い精度を維持しつつ、放射移動計算を高速化することができると結論付けている。
  論文  参考訳（メタデータ） (2020-05-05T15:00:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。