論文の概要: Physics-guided and fabrication-aware inverse design of photonic devices using diffusion models
- arxiv url: http://arxiv.org/abs/2504.17077v1
- Date: Wed, 23 Apr 2025 19:54:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.166177
- Title: Physics-guided and fabrication-aware inverse design of photonic devices using diffusion models
- Title（参考訳）: 拡散モデルを用いたフォトニックデバイスの物理誘導・製造対応逆設計
- Authors: Dongjin Seo, Soobin Um, Sangbin Lee, Jong Chul Ye, Haejun Chung,
- Abstract要約: 本稿では,拡散モデルのサンプリングプロセスに随伴勾配感度を統合する物理誘導フレームワークであるAdjointDiffusionを提案する。
提案手法は, 効率と製造性の両方において, 最先端の非線形勾配法より一貫して優れる。
- 参考スコア（独自算出の注目度）: 43.51581973358462
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Designing free-form photonic devices is fundamentally challenging due to the vast number of possible geometries and the complex requirements of fabrication constraints. Traditional inverse-design approaches--whether driven by human intuition, global optimization, or adjoint-based gradient methods--often involve intricate binarization and filtering steps, while recent deep learning strategies demand prohibitively large numbers of simulations (10^5 to 10^6). To overcome these limitations, we present AdjointDiffusion, a physics-guided framework that integrates adjoint sensitivity gradients into the sampling process of diffusion models. AdjointDiffusion begins by training a diffusion network on a synthetic, fabrication-aware dataset of binary masks. During inference, we compute the adjoint gradient of a candidate structure and inject this physics-based guidance at each denoising step, steering the generative process toward high figure-of-merit (FoM) solutions without additional post-processing. We demonstrate our method on two canonical photonic design problems--a bent waveguide and a CMOS image sensor color router--and show that our method consistently outperforms state-of-the-art nonlinear optimizers (such as MMA and SLSQP) in both efficiency and manufacturability, while using orders of magnitude fewer simulations (approximately 2 x 10^2) than pure deep learning approaches (approximately 10^5 to 10^6). By eliminating complex binarization schedules and minimizing simulation overhead, AdjointDiffusion offers a streamlined, simulation-efficient, and fabrication-aware pipeline for next-generation photonic device design. Our open-source implementation is available at https://github.com/dongjin-seo2020/AdjointDiffusion.
- Abstract（参考訳）: 自由形式のフォトニックデバイスの設計は、膨大な数のジオメトリと製造制約の複雑な要求のため、基本的に困難である。
従来の逆設計アプローチは、人間の直感、大域的最適化、または随伴的勾配法によって駆動されるか、あるいは、しばしば複雑な双対化とフィルタリングのステップが伴うが、最近のディープラーニング戦略では、非常に多くのシミュレーション(10^5から10^6)が要求されている。
これらの制限を克服するために、拡散モデルのサンプリングプロセスに随伴感度勾配を統合する物理誘導フレームワークであるAdjointDiffusionを提案する。
AdjointDiffusionは、バイナリマスクの合成、製造対応データセット上で拡散ネットワークをトレーニングすることから始まる。
推論中、候補構造の随伴勾配を計算し、この物理に基づくガイダンスを各デノナイズステップで注入し、生成過程を、追加の事後処理なしで高フィギュア・オブ・メリット(FoM)ソリューションに操る。
屈曲導波路とCMOSイメージセンサカラールータの2つの標準フォトニック設計問題に対して,本手法の有効性と製造性の両方において最先端の非線形オプティマイザ(MMAやSLSQPなど)を一貫して上回りながら,純粋な深層学習手法(約10^5〜10^6)よりも桁違いのシミュレーション(約2×10^2)を施した。
複雑な双対化スケジュールの排除とシミュレーションオーバーヘッドの最小化により、AdjointDiffusionは次世代フォトニックデバイス設計のための合理化、シミュレーション効率、製造対応パイプラインを提供する。
オープンソース実装はhttps://github.com/dongjin-seo2020/AdjointDiffusion.comで公開しています。
関連論文リスト
- Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
MISO (Multiple-input Single-output) フレームワークを提案する。
それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。
PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
論文 参考訳（メタデータ） (2025-02-12T18:54:10Z) - 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) - 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) - Transfer learning-assisted inverse modeling in nanophotonics based on mixture density networks [0.840835093659811]
本稿では,移動学習により強化された混合密度ネットワークモデルに基づくナノフォトニック構造の逆モデリング手法を提案する。
提案手法は,光応答を入力とする設計ソリューションの予測能力を高い精度で保ちながら,伝達学習に基づく手法を用いてこれらの制限を克服することができる。
論文 参考訳（メタデータ） (2024-01-21T09:03:30Z) - DualFluidNet: an Attention-based Dual-pipeline Network for FLuid Simulation [4.694954114339147]
本研究では,注意型デュアルパイプネットワークを用いた3次元流体シミュレーションの革新的手法を提案する。
グローバルな流体制御と物理法則のバランスを改善する方法を見つける。
また、より複雑なシーンを扱うネットワークの能力をさらに探求する新たなデータセットであるTurton3Dを提案する。
論文 参考訳（メタデータ） (2023-12-28T07:37:11Z) - Multilevel Diffusion: Infinite Dimensional Score-Based Diffusion Models for Image Generation [2.5556910002263984]
スコアベース拡散モデル (SBDM) は画像生成のための最先端のアプローチとして登場した。
本稿では, 無限次元のSBDM, すなわち, 矩形領域でサポートされている関数としてトレーニングデータをモデル化する。
無限次元設定において、現在のSBDMアプローチの2つの欠点を克服する方法を実証する。
論文 参考訳（メタデータ） (2023-03-08T18:10:10Z) - Dimensionality-Varying Diffusion Process [52.52681373641533]
拡散モデルは、信号破壊プロセスを逆転して新しいデータを生成することを学習する。
信号分解による前方拡散過程の理論的一般化を行う。
FFHQで訓練された拡散モデルのFIDを,52.40から10.46までの1024Times1024$解像度で改善する。
論文 参考訳（メタデータ） (2022-11-29T09:05:55Z) - A DeepParticle method for learning and generating aggregation patterns
in multi-dimensional Keller-Segel chemotaxis systems [3.6184545598911724]
ケラー・セガル (KS) ケモタキシー系の2次元および3次元における凝集パターンと近傍特異解の正則化相互作用粒子法について検討した。
さらに,物理パラメータの異なる解を学習し,生成するためのDeepParticle (DP) 法を開発した。
論文 参考訳（メタデータ） (2022-08-31T20:52:01Z) - Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
本稿では, 音素の効率的な微分可能シミュレーション法を提案する。
これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。
提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
論文 参考訳（メタデータ） (2021-09-16T04:48:13Z) - 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)
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。