論文の概要: Improving Fabrication Fidelity of Integrated Nanophotonic Devices Using
Deep Learning
- arxiv url: http://arxiv.org/abs/2303.12136v1
- Date: Tue, 21 Mar 2023 18:51:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 16:13:29.094686
- Title: Improving Fabrication Fidelity of Integrated Nanophotonic Devices Using
Deep Learning
- Title（参考訳）: 深層学習による集積ナノフォトニックデバイスの作製精度の向上
- Authors: Dusan Gostimirovic, Yuri Grinberg, Dan-Xia Xu, Odile
Liboiron-Ladouceur
- Abstract要約: 本稿では,フォトニックデバイスの設計レイアウトを自動的に修正する汎用ディープラーニングモデルを提案する。
我々のモデルは次世代フォトニック回路における信頼性と性能の新たなレベルへの扉を開く。
- 参考スコア（独自算出の注目度）: 0.4129225533930965
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Next-generation integrated nanophotonic device designs leverage advanced
optimization techniques such as inverse design and topology optimization which
achieve high performance and extreme miniaturization by optimizing a massively
complex design space enabled by small feature sizes. However, unless the
optimization is heavily constrained, the generated small features are not
reliably fabricated, leading to optical performance degradation. Even for
simpler, conventional designs, fabrication-induced performance degradation
still occurs. The degree of deviation from the original design not only depends
on the size and shape of its features, but also on the distribution of features
and the surrounding environment, presenting complex, proximity-dependent
behavior. Without proprietary fabrication process specifications, design
corrections can only be made after calibrating fabrication runs take place. In
this work, we introduce a general deep machine learning model that
automatically corrects photonic device design layouts prior to first
fabrication. Only a small set of scanning electron microscopy images of
engineered training features are required to create the deep learning model.
With correction, the outcome of the fabricated layout is closer to what is
intended, and thus so too is the performance of the design. Without modifying
the nanofabrication process, adding significant computation in design, or
requiring proprietary process specifications, we believe our model opens the
door to new levels of reliability and performance in next-generation photonic
circuits.
- Abstract（参考訳）: 次世代集積ナノフォトニクスデバイス設計は、小さな機能サイズで実現される非常に複雑な設計空間を最適化することにより、高性能かつ極小化を実現する逆設計やトポロジー最適化などの高度な最適化技術を活用する。
しかし、最適化が厳しく制約されない限り、生成された小さな特徴は確実に製造されず、光学性能が劣化する。
シンプルで従来の設計であっても、製造による性能低下は依然として起こる。
当初の設計から逸脱する程度は、その特徴の大きさと形状だけでなく、特徴の分布や周囲環境にも依存し、複雑で近接依存的な振る舞いを示す。
プロプライエタリな製造プロセス仕様がなければ、設計修正は製造工程の校正後にのみ行うことができる。
本研究では,第1次製造前にフォトニックデバイス設計レイアウトを自動的に修正する汎用ディープラーニングモデルを提案する。
深層学習モデルの作成には,工学的学習機能の走査型電子顕微鏡画像のごく一部が必要となる。
修正すると、構築されたレイアウトの結果は意図したものに近いため、デザインのパフォーマンスもそうである。
ナノファブリケーションプロセスの変更や設計の大幅な計算の追加,あるいはプロプライエタリなプロセス仕様を必要とせずに,次世代フォトニック回路の信頼性と性能の新たなレベルへの扉を開くことができると考えている。
関連論文リスト
- Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。
我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
論文 参考訳（メタデータ） (2024-10-17T00:35:47Z) - Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳（メタデータ） (2024-03-20T00:41:12Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - Aligning Optimization Trajectories with Diffusion Models for Constrained
Design Generation [17.164961143132473]
本稿では,拡散モデルのサンプリング軌跡と従来の物理法に基づく最適化軌跡との整合性を示す学習フレームワークを提案する。
提案手法では,高コストプリプロセッシングや外部サロゲートモデル,ラベル付きデータの追加を必要とせずに,実用的で高性能な設計を2段階で生成することができる。
この結果から, TAは分布内構成における最先端の深層生成モデルより優れ, 推論計算コストを半減することがわかった。
論文 参考訳（メタデータ） (2023-05-29T09:16:07Z) - Tailoring potentials by simulation-aided design of gate layouts for spin
qubit applications [0.4276883312743397]
スピン量子ビットデバイスのゲートは、通常、以前の成功したデバイスから適応される。
本稿では、新しいスピン量子ビットデバイスレイアウトを静電気的にモデル化するための一般的な手法を提案する。
論文 参考訳（メタデータ） (2023-03-23T15:36:32Z) - Design Space Exploration and Explanation via Conditional Variational
Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。
CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文 参考訳（メタデータ） (2022-11-29T17:28:31Z) - Inverse design of photonic devices with strict foundry fabrication
constraints [55.41644538483948]
本稿では,ナノフォトニクス素子の逆設計法を提案し,設計が厳密な長さの制約を満たすことを保証した。
本手法の性能と信頼性を,いくつかの共通集積フォトニック部品を設計することによって実証する。
論文 参考訳（メタデータ） (2022-01-31T02:27:25Z) - Deep Generative Models for Geometric Design Under Uncertainty [8.567987231153966]
不確実性フレームワーク(GAN-DUF)に基づくジェネレーティブ・アドバイサル・ネットワーク・ベース・デザインを提案する。
GAN-DUFは、名目(理想)設計のコンパクトな表現と、製造された設計の条件分布を同時に学習する深い生成モデルを含む。
このフレームワークを実世界の2つのエンジニアリング設計例で実演し、製造後のより良い性能を持つソリューションを見つける能力を示した。
論文 参考訳（メタデータ） (2021-12-15T18:00:46Z) - Optimization of Quantum-dot Qubit Fabrication via Machine Learning [0.0]
我々は、インライン走査型電子顕微鏡を解釈するために畳み込みニューラルネットワークを訓練する。
この戦略は、5次元の設計空間内でモデルリソグラフィープロセスの最適化によって実証される。
論文 参考訳（メタデータ） (2020-12-15T22:30:49Z) - Generative Design by Reinforcement Learning: Enhancing the Diversity of
Topology Optimization Designs [5.8010446129208155]
本研究では、トポロジ設計の多様性を最大化する報酬関数を備えた強化学習に基づく生成設計プロセスを提案する。
RLをベースとした生成設計は,GPUを完全自動で活用することにより,短時間で多数の多様な設計を生成できることを示す。
論文 参考訳（メタデータ） (2020-08-17T06:50:47Z) - An Image Enhancing Pattern-based Sparsity for Real-time Inference on
Mobile Devices [58.62801151916888]
パターンと接続性を組み合わせた新しい空間空間,すなわちパターンベースの空間空間を導入し,高度に正確かつハードウェアに親しみやすいものにした。
新たなパターンベースの空間性に対する我々のアプローチは,モバイルプラットフォーム上での高効率DNN実行のためのコンパイラ最適化に自然に適合する。
論文 参考訳（メタデータ） (2020-01-20T16:17:36Z)
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。