論文の概要: Enhanced Photonic Chip Design via Interpretable Machine Learning Techniques

• arxiv url: http://arxiv.org/abs/2505.09266v1
• Date: Wed, 14 May 2025 10:32:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.421888
• Title: Enhanced Photonic Chip Design via Interpretable Machine Learning Techniques
• Title（参考訳）: 解釈可能な機械学習技術によるフォトニックチップ設計の強化
• Authors: Lirandë Pira, Airin Antony, Nayanthara Prathap, Daniel Peace, Jacquiline Romero,
• Abstract要約: フォトニックチップの設計は、逆設計手法を採用することで大きな進歩を遂げた。 逆設計で使用されるような最適化アプローチのブラックボックスの性質は、出力を理解する上での課題を提起する。 本研究では,フォトニック部品の設計に使用される逆設計最適化の理解を深めることを目的として,機械学習の解釈可能性技術を適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Photonic chip design has seen significant advancements with the adoption of inverse design methodologies, offering flexibility and efficiency in optimizing device performance. However, the black-box nature of the optimization approaches, such as those used in inverse design in order to minimize a loss function or maximize coupling efficiency, poses challenges in understanding the outputs. This challenge is prevalent in machine learning-based optimization methods, which can suffer from the same lack of transparency. To this end, interpretability techniques address the opacity of optimization models. In this work, we apply interpretability techniques from machine learning, with the aim of gaining understanding of inverse design optimization used in designing photonic components, specifically two-mode multiplexers. We base our methodology on the widespread interpretability technique known as local interpretable model-agnostic explanations, or LIME. As a result, LIME-informed insights point us to more effective initial conditions, directly improving device performance. This demonstrates that interpretability methods can do more than explain models -- they can actively guide and enhance the inverse-designed photonic components. Our results demonstrate the ability of interpretable techniques to reveal underlying patterns in the inverse design process, leading to the development of better-performing components.
• Abstract（参考訳）: フォトニックチップの設計は、デバイスの性能を最適化する柔軟性と効率性を提供する逆設計手法を採用することで大きな進歩を遂げた。 しかしながら、損失関数の最小化や結合効率の最大化のために、逆設計で使用されるような最適化アプローチのブラックボックスの性質は、出力を理解する上での課題を提起する。 この課題は、同じ透明性の欠如に悩まされる、機械学習ベースの最適化手法に多い。 この目的のために、解釈可能性技術は最適化モデルの不透明性に対処する。 本研究では,フォトニックコンポーネント,特に2モード多重化器の設計に使用される逆設計最適化の理解を深めることを目的として,機械学習の解釈可能性技術を適用した。 我々は,局所的解釈可能なモデル非依存的説明(LIME)として知られる,幅広い解釈可能性技術に基づく方法論を提案する。 その結果、LIMEインフォームドインサイトはより効果的な初期条件を示し、デバイスの性能を直接的に改善した。 これは、解釈可能性法がモデルを説明する以上のことができることを示している -- 逆設計のフォトニックコンポーネントを積極的にガイドし、強化することができる。 本研究は, 逆設計プロセスにおける基礎となるパターンを明らかにするための解釈技術の有効性を示し, 優れた性能の部品の開発に繋がることを示す。

関連論文リスト

• Accelerated Gradient-based Design Optimization Via Differentiable Physics-Informed Neural Operator: A Composites Autoclave Processing Case Study [0.0]
  本稿では,複雑な工学系の非線形挙動を効果的にモデル化する物理インフォームドディープONet(PIDON)アーキテクチャを提案する。 3倍の高速化を実現した航空宇宙グレード複合材料硬化プロセスの最適化における本フレームワークの有効性を実証する。 提案モデルには,高度工学およびディジタルツインシステムにおける幅広い応用のための,スケーラブルで効率的な最適化ツールとして使用される可能性がある。
  論文  参考訳（メタデータ） (2025-02-17T07:11:46Z)
• 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)
• Numerical Pruning for Efficient Autoregressive Models [87.56342118369123]
  本稿では,デコーダのみを用いた変圧器を用いた自己回帰モデルの圧縮に着目する。 具体的には,ニュートン法とモジュールの数値スコアをそれぞれ計算する学習自由プルーニング法を提案する。 提案手法の有効性を検証するため,理論的支援と広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-12-17T01:09:23Z)
• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  大規模なニューラルネットワークは予測タスクに優れるが、タンパク質工学や材料発見といった設計問題への応用には、オフラインモデルベース最適化(MBO)の問題を解決する必要がある。 機能的グラフィカルモデル(FGM)を用いてブラックボックス関数の構造を学習するトランスフォーマーベースのアーキテクチャであるCliqueformerを提案する。 化学および遺伝子設計タスクを含む様々な領域において、Cliqueformerは既存の方法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Efficiency optimization of large-scale language models based on deep learning in natural language processing tasks [6.596361762662328]
  大規模言語モデルの内部構造と操作機構を理論的に解析する。 我々は、適応最適化アルゴリズム(AdamWなど)、大規模並列計算技術、混合精度訓練戦略の寄与を評価した。
  論文  参考訳（メタデータ） (2024-05-20T00:10:00Z)
• 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)
• Efficient Inverse Design Optimization through Multi-fidelity Simulations, Machine Learning, and Search Space Reduction Strategies [0.8646443773218541]
  本稿では,限られた計算量で制約されたシナリオにおける逆設計最適化プロセスの拡張を目的とした手法を提案する。 提案手法はエアフォイル逆設計とスカラーフィールド再構成の2つの異なる工学的逆設計問題について解析する。 特に、この方法は、任意の逆設計アプリケーションに適用可能であり、代表的低忠実MLモデルと高忠実度シミュレーションの相乗効果を容易にし、様々な集団ベース最適化アルゴリズムにシームレスに適用することができる。
  論文  参考訳（メタデータ） (2023-12-06T18:20:46Z)
• Performance Comparison of Design Optimization and Deep Learning-based Inverse Design [15.620304857903069]
  本稿では,従来の設計最適化手法とディープラーニングに基づく逆設計手法を比較した。 ディープラーニングベースの逆設計の今後の活用を考慮に入れたガイドラインを提供する。
  論文  参考訳（メタデータ） (2023-08-23T06:04:54Z)
• Adversarial Attacks on the Interpretation of Neuron Activation Maximization [70.5472799454224]
  アクティベーション最大化アプローチは、訓練されたディープラーニングモデルの解釈と解析に使用される。 本研究では,解釈を欺くためにモデルを操作する敵の概念を考察する。
  論文  参考訳（メタデータ） (2023-06-12T19:54:33Z)

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。