論文の概要: PACE: Pacing Operator Learning to Accurate Optical Field Simulation for Complicated Photonic Devices

• arxiv url: http://arxiv.org/abs/2411.03527v1
• Date: Tue, 05 Nov 2024 22:03:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-07 19:22:24.792430
• Title: PACE: Pacing Operator Learning to Accurate Optical Field Simulation for Complicated Photonic Devices
• Title（参考訳）: PACE:複雑なフォトニックデバイスのための光場シミュレーションの精度向上のためのペーシング演算子学習
• Authors: Hanqing Zhu, Wenyan Cong, Guojin Chen, Shupeng Ning, Ray T. Chen, Jiaqi Gu, David Z. Pan,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.671301859745453
• License:
• Abstract: Electromagnetic field simulation is central to designing, optimizing, and validating photonic devices and circuits. However, costly computation associated with numerical simulation poses a significant bottleneck, hindering scalability and turnaround time in the photonic circuit design process. Neural operators offer a promising alternative, but existing SOTA approaches, NeurOLight, struggle with predicting high-fidelity fields for real-world complicated photonic devices, with the best reported 0.38 normalized mean absolute error in NeurOLight. The inter-plays of highly complex light-matter interaction, e.g., scattering and resonance, sensitivity to local structure details, non-uniform learning complexity for full-domain simulation, and rich frequency information, contribute to the failure of existing neural PDE solvers. In this work, we boost the prediction fidelity to an unprecedented level for simulating complex photonic devices with a novel operator design driven by the above challenges. We propose a novel cross-axis factorized PACE operator with a strong long-distance modeling capacity to connect the full-domain complex field pattern with local device structures. Inspired by human learning, we further divide and conquer the simulation task for extremely hard cases into two progressively easy tasks, with a first-stage model learning an initial solution refined by a second model. On various complicated photonic device benchmarks, we demonstrate one sole PACE model is capable of achieving 73% lower error with 50% fewer parameters compared with various recent ML for PDE solvers. The two-stage setup further advances high-fidelity simulation for even more intricate cases. In terms of runtime, PACE demonstrates 154-577x and 11.8-12x simulation speedup over numerical solver using scipy or highly-optimized pardiso solver, respectively. We open sourced the code and dataset.
• Abstract（参考訳）: 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、検証の中心である。 しかし、数値シミュレーションに伴うコスト計算は、フォトニック回路設計プロセスにおけるスケーラビリティとターンアラウンド時間を妨げる重要なボトルネックとなる。 ニューラル演算子は有望な代替手段を提供するが、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。 高度に複雑な光-物質相互作用、例えば散乱と共鳴、局所構造の詳細への感受性、フルドメインシミュレーションにおける非一様学習の複雑さ、および豊富な周波数情報の相互作用は、既存のニューラルPDEソルバの故障に寄与する。 本研究では,上記の課題によって駆動される新しい演算子設計により,複雑なフォトニックデバイスをシミュレートするための予測忠実度を前例のないレベルに引き上げる。 本稿では,完全領域複素体パターンと局所デバイス構造を接続する長距離モデリング能力の強い,クロス軸因子化PACE演算子を提案する。 人間の学習に触発されて、我々は極度に難しいケースのシミュレーションタスクを、2つの段階的な簡単なタスクに分割し、克服する。 様々な複雑なフォトニックデバイスベンチマークにおいて、PACEモデルはPDEソルバ用MLと比較して50%少ないパラメータで73%低い誤差を達成できることを示した。 2段階のセットアップは、さらに複雑なケースに対する高忠実度シミュレーションをさらに進める。 PACEは154-577xと11.8-12xのシミュレーションを、それぞれスキディまたは高度に最適化されたパリゾソルバを用いて実行している。 コードとデータセットをオープンソースにしました。

関連論文リスト

• 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)
• 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)
• Reduced Simulations for High-Energy Physics, a Middle Ground for Data-Driven Physics Research [0.0]
  サブ原子粒子軌道再構成は高エネルギー物理実験において重要な課題である。 我々は,複雑性低減型検出器モデルとしてREDVID(REDuced VIrtual Detector)と粒子衝突イベントシミュレータコンボを提供する。
  論文  参考訳（メタデータ） (2023-08-30T12:50:45Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• 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)
• NeurOLight: A Physics-Agnostic Neural Operator Enabling Parametric Photonic Device Simulation [17.295318670037886]
  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。
  論文  参考訳（メタデータ） (2022-09-19T21:25:26Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Accelerating Part-Scale Simulation in Liquid Metal Jet Additive Manufacturing via Operator Learning [0.0]
  部分スケールの予測は多くの小規模シミュレーションを必要とする。 LMJにおける液滴の合体性を記述するモデルとして, 混合圧縮性流体流, 熱伝達, 相変化方程式がある。 我々は,液滴の合体過程の初期状態と最終状態のマッピングを演算子学習アプローチで学習する。
  論文  参考訳（メタデータ） (2022-02-02T17:24:16Z)
• Edge Federated Learning Via Unit-Modulus Over-The-Air Computation (Extended Version) [64.76619508293966]
  本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。 ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。 車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
  論文  参考訳（メタデータ） (2021-01-28T15:10:22Z)
• Federated Learning via Intelligent Reflecting Surface [30.935389187215474]
  オーバー・ザ・エア・コンピューティング・アルゴリズム(FL)は,複数のアクセスチャネルの波形重畳特性を利用して高速なモデルアグリゲーションを実現することができる。 本稿では,AirCompベースのFLのための高速かつ信頼性の高いモデルアグリゲーションを実現するための2段階最適化フレームワークを提案する。 シミュレーションの結果,提案するフレームワークとIRSの展開により,ベースラインアルゴリズムよりもトレーニング損失が低く,FL予測精度も高いことがわかった。
  論文  参考訳（メタデータ） (2020-11-10T11:29:57Z)

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。