論文の概要: MAPS: Multi-Fidelity AI-Augmented Photonic Simulation and Inverse Design Infrastructure

• arxiv url: http://arxiv.org/abs/2503.01046v1
• Date: Sun, 02 Mar 2025 22:30:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:14:34.075927
• Title: MAPS: Multi-Fidelity AI-Augmented Photonic Simulation and Inverse Design Infrastructure
• Title（参考訳）: MAPS:マルチフィデリティAIによるフォトニックシミュレーションと逆設計基盤
• Authors: Pingchuan Ma, Zhengqi Gao, Meng Zhang, Haoyu Yang, Mark Ren, Rena Huang, Duane S. Boning, Jiaqi Gu,
• Abstract要約: 逆設計はフォトニックデバイス最適化の変換手法として登場した。 我々は,多要素AIによるフォトニックシミュレーションと逆設計基盤であるMAPSを紹介する。
• 参考スコア（独自算出の注目度）: 18.220589086200025
• License:
• Abstract: Inverse design has emerged as a transformative approach for photonic device optimization, enabling the exploration of high-dimensional, non-intuitive design spaces to create ultra-compact devices and advance photonic integrated circuits (PICs) in computing and interconnects. However, practical challenges, such as suboptimal device performance, limited manufacturability, high sensitivity to variations, computational inefficiency, and lack of interpretability, have hindered its adoption in commercial hardware. Recent advancements in AI-assisted photonic simulation and design offer transformative potential, accelerating simulations and design generation by orders of magnitude over traditional numerical methods. Despite these breakthroughs, the lack of an open-source, standardized infrastructure and evaluation benchmark limits accessibility and cross-disciplinary collaboration. To address this, we introduce MAPS, a multi-fidelity AI-augmented photonic simulation and inverse design infrastructure designed to bridge this gap. MAPS features three synergistic components: (1) MAPS-Data: A dataset acquisition framework for generating multi-fidelity, richly labeled devices, providing high-quality data for AI-for-optics research. (2) MAPS-Train: A flexible AI-for-photonics training framework offering a hierarchical data loading pipeline, customizable model construction, support for data- and physics-driven losses, and comprehensive evaluations. (3) MAPS-InvDes: An advanced adjoint inverse design toolkit that abstracts complex physics but exposes flexible optimization steps, integrates pre-trained AI models, and incorporates fabrication variation models. This infrastructure MAPS provides a unified, open-source platform for developing, benchmarking, and advancing AI-assisted photonic design workflows, accelerating innovation in photonic hardware optimization and scientific machine learning.
• Abstract（参考訳）: 逆設計は光デバイス最適化の変換手法として登場し、高次元で直観的でない設計空間を探索し、超コンパクトデバイスを作成し、計算と相互接続においてフォトニック集積回路(PIC)を進化させることができる。 しかし、準最適デバイス性能、限られた製造可能性、変動に対する高い感度、計算の非効率性、解釈可能性の欠如といった実践的な課題は、商用ハードウェアへの採用を妨げるものとなっている。 AIによるフォトニックシミュレーションとデザインの最近の進歩は、従来の数値法よりも桁違いに、変形ポテンシャル、加速シミュレーション、および設計生成を提供する。 これらのブレークスルーにもかかわらず、オープンソースの標準化されたインフラストラクチャと評価ベンチマークの欠如により、アクセシビリティと学際的なコラボレーションが制限された。 そこで我々は,このギャップを埋めるために,多要素AIによるフォトニックシミュレーションと逆設計のインフラであるMAPSを紹介する。 MAPS-Data: マルチ忠実でリッチなラベル付きデバイスを生成するためのデータセット取得フレームワークで、AI-for-optics研究のための高品質なデータを提供する。 (2) MAPS-Train: 階層的なデータ読み込みパイプライン、カスタマイズ可能なモデル構築、データと物理駆動の損失のサポート、包括的な評価を提供する柔軟なAI-for- Photonicsトレーニングフレームワーク。 (3) MAPS-InvDes: 複雑な物理を抽象化しながら柔軟な最適化手順を公開する高度な随伴逆設計ツールキット。 このインフラストラクチャMAPSは、AI支援フォトニックデザインワークフローの開発、ベンチマーク、進歩のための統一されたオープンソースプラットフォームを提供し、フォトニックハードウェア最適化と科学機械学習の革新を加速する。

関連論文リスト

• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• SimPhony: A Device-Circuit-Architecture Cross-Layer Modeling and Simulation Framework for Heterogeneous Electronic-Photonic AI System [7.378742476019604]
  異種電子フォトニックAIシステムのための多層モデリングおよびシミュレーションフレームワークであるSimPhonyを提案する。 SimPhonyは、統一的で汎用的で高忠実なシミュレーションプラットフォームを提供することで、研究者が複数のドメインにわたるAIハードウェアを革新し、評価することを可能にする。
  論文  参考訳（メタデータ） (2024-11-20T21:21:54Z)
• Transforming the Hybrid Cloud for Emerging AI Workloads [81.15269563290326]
  このホワイトペーパーでは、AIワークロードの複雑さの増大に対応するために、ハイブリッドクラウドシステムを変革することを想定している。 提案したフレームワークは、エネルギー効率、性能、コスト効率において重要な課題に対処する。 この共同イニシアチブは、ハイブリッドクラウドをセキュアで効率的で持続可能なプラットフォームとして確立することを目的としています。
  論文  参考訳（メタデータ） (2024-11-20T11:57:43Z)
• Artificial intelligence inspired freeform optics design: a review [5.118772741438762]
  この記事では、フリーフォーム光学設計におけるAIアプリケーションの最新開発についてレビューする。 これは、データ要求、モデル解釈可能性、計算複雑性といった課題と共に、精度とパフォーマンスの改善など、AIの利点に対処する。 フリーフォーム光学設計におけるAIの未来は、ハイブリッドデザイン手法、解釈可能なAI、AI駆動製造、特定のアプリケーションを対象とした研究の潜在的な進歩とともに、有望に思われる。
  論文  参考訳（メタデータ） (2024-09-18T00:53:27Z)
• Meent: Differentiable Electromagnetic Simulator for Machine Learning [0.6902278820907753]
  電磁法(EM)シミュレーションは、サブ波長スケール構造を持つデバイスを解析・設計する上で重要な役割を担っている。 Meentは、厳密な結合波解析(RCWA)を利用するEMシミュレーションソフトウェアである。 1) ニューラル演算子のトレーニングのためのデータセット生成,2) ナノフォトニックデバイス最適化の強化学習環境として機能する,3) 勾配に基づく逆問題に対する解を提供する,の3つの応用を提案する。
  論文  参考訳（メタデータ） (2024-06-11T10:00:06Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• Evaluating Emerging AI/ML Accelerators: IPU, RDU, and NVIDIA/AMD GPUs [14.397623940689487]
  Graphcore Intelligence Processing Unit (IPU)、Sambanova Reconfigurable Dataflow Unit (RDU)、拡張GPUプラットフォームについてレビューする。 この研究は、これらの商用AI/MLアクセラレータの予備評価と比較を提供する。
  論文  参考訳（メタデータ） (2023-11-08T01:06:25Z)
• Image-based Artificial Intelligence empowered surrogate model and shape morpher for real-time blank shape optimisation in the hot stamping process [3.264571107058741]
  本研究は,画像に基づく人工インテリジェンスを用いたサロゲートモデリング (IAISM) 手法の開発である。 IAISMは任意の空白形状を与えられた as-formed コンポーネントの完全な薄めフィールドを予測するために訓練される。 高精度で汎用的なサロゲートモデリングおよび最適化ツールとして、提案されたパイプラインは、フルチェーンのデジタルツインに統合されることを約束している。
  論文  参考訳（メタデータ） (2022-12-01T20:17:48Z)
• Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
  本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
  論文  参考訳（メタデータ） (2021-05-06T02:22:23Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)

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。