論文の概要: Machine-Learning-Assisted Photonic Device Development: A Multiscale Approach from Theory to Characterization

• arxiv url: http://arxiv.org/abs/2506.20056v1
• Date: Tue, 24 Jun 2025 23:32:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.561208
• Title: Machine-Learning-Assisted Photonic Device Development: A Multiscale Approach from Theory to Characterization
• Title（参考訳）: 機械学習支援フォトニックデバイス開発:理論から評価へのマルチスケールアプローチ
• Authors: Yuheng Chen, Alexander Montes McNeil, Taehyuk Park, Blake A. Wilson, Vaishnavi Iyer, Michael Bezick, Jae-Ik Choi, Rohan Ojha, Pravin Mahendran, Daksh Kumar Singh, Geetika Chitturi, Peigang Chen, Trang Do, Alexander V. Kildishev, Vladimir M. Shalaev, Michael Moebius, Wenshan Cai, Yongmin Liu, Alexandra Boltasseva,
• Abstract要約: フォトニックデバイス開発(PDD)は、様々な波長、スケール、アプリケーションにまたがる光を制御する新しいデバイスの設計と実装において大きな成功を収めた。 PDDは、設計パラメータからデバイス動作を導出する、デバイス性能をシミュレーションする、最適なデバイスを製造する、デバイス性能を測定する、という5段階の反復的プロセスである。 PDDは、大規模な最適化の展望、構造的または光学的特徴の不確実性、堅牢な製造プロセスの実装の困難に悩まされている。 本稿では,機械学習支援型PDDの実現に向けて,これらの手法の総合的な展望を示す。
• 参考スコア（独自算出の注目度）: 80.82828320306464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Photonic device development (PDD) has achieved remarkable success in designing and implementing new devices for controlling light across various wavelengths, scales, and applications, including telecommunications, imaging, sensing, and quantum information processing. PDD is an iterative, five-step process that consists of: i) deriving device behavior from design parameters, ii) simulating device performance, iii) finding the optimal candidate designs from simulations, iv) fabricating the optimal device, and v) measuring device performance. Classically, all these steps involve Bayesian optimization, material science, control theory, and direct physics-driven numerical methods. However, many of these techniques are computationally intractable, monetarily costly, or difficult to implement at scale. In addition, PDD suffers from large optimization landscapes, uncertainties in structural or optical characterization, and difficulties in implementing robust fabrication processes. However, the advent of machine learning over the past decade has provided novel, data-driven strategies for tackling these challenges, including surrogate estimators for speeding up computations, generative modeling for noisy measurement modeling and data augmentation, reinforcement learning for fabrication, and active learning for experimental physical discovery. In this review, we present a comprehensive perspective on these methods to enable machine-learning-assisted PDD (ML-PDD) for efficient design optimization with powerful generative models, fast simulation and characterization modeling under noisy measurements, and reinforcement learning for fabrication. This review will provide researchers from diverse backgrounds with valuable insights into this emerging topic, fostering interdisciplinary efforts to accelerate the development of complex photonic devices and systems.
• Abstract（参考訳）: フォトニックデバイス開発(PDD)は、電気通信、イメージング、センシング、量子情報処理など、様々な波長、スケール、アプリケーションにまたがる光を制御する新しいデバイスの設計と実装において、顕著な成功を収めた。 PDDは、以下の5段階の反復的プロセスである。 一 設計パラメータから装置の動作を導出すること。 二 装置の性能をシミュレートすること。 三 シミュレーションから最適な候補設計を見つけること。 四 最適装置の製造、及び 五 装置の性能を測定すること。 古典的には、これらのステップにはベイズ最適化、物質科学、制御理論、直接物理学駆動の数値法が含まれる。 しかし、これらの技術の多くは計算に難航し、金銭的にコストがかかり、大規模に実装することは困難である。 さらに、PDDは、大規模な最適化の展望、構造的または光学的特性の不確実性、堅牢な製造プロセスの実装の難しさに悩まされている。 しかし、過去10年間の機械学習の出現は、計算をスピードアップするための代理推定器、ノイズ測定モデリングとデータ拡張のための生成モデリング、製造のための強化学習、実験的な物理発見のためのアクティブな学習など、これらの課題に取り組むための新しいデータ駆動型戦略を提供してきた。 本稿では,機械学習支援型PDD(ML-PDD)を,強力な生成モデルを用いた効率的な設計最適化,ノイズ測定による高速シミュレーションとキャラクタリゼーションモデリング,製造のための強化学習を実現するための総合的な視点について述べる。 このレビューは、様々な背景の研究者に、この新たな話題に関する貴重な洞察を与え、複雑なフォトニックデバイスやシステムの開発を加速するための学際的な取り組みを促進する。

関連論文リスト

• MAPS: Multi-Fidelity AI-Augmented Photonic Simulation and Inverse Design Infrastructure [18.220589086200025]
  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。
  論文  参考訳（メタデータ） (2025-03-02T22:30:18Z)
• 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)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Hierarchical and Decoupled BEV Perception Learning Framework for Autonomous Driving [52.808273563372126]
  本稿では,基本認識モジュールとユーザフレンドリなグラフィカルインタフェースのライブラリの提供を目的とした,新しい階層的BEV知覚パラダイムを提案する。 我々は,大規模公開データセットと合理化開発プロセスを効果的に活用するために,Pretrain-Finetune戦略を実行している。 また、マルチモジュールラーニング(MML)アプローチを提案し、複数のモデルの相乗的かつ反復的な訓練により性能を向上させる。
  論文  参考訳（メタデータ） (2024-07-17T11:17:20Z)
• A Survey on Design Methodologies for Accelerating Deep Learning on Heterogeneous Architectures [9.215792818120903]
  本稿では、ディープラーニングアクセラレーターの影響力のあるツールと設計手法を批判的にレビューする。 ハードウェアとソフトウェアの共同設計、自動合成、ドメイン固有のコンパイラ、設計空間探索、モデリング、シミュレーションをカバーしている。
  論文  参考訳（メタデータ） (2023-11-29T17:10:16Z)
• Artificial intelligence approaches for materials-by-design of energetic materials: state-of-the-art, challenges, and future directions [0.0]
  我々は,AIによる材料設計の進歩とそのエネルギー材料への応用についてレビューする。 文献における手法を,少数のデータから学習する能力の観点から評価する。 本稿では,メタラーニング,アクティブラーニング,ベイズラーニング,半/弱教師付きラーニングなど,EM教材の今後の研究方向性について提案する。
  論文  参考訳（メタデータ） (2022-11-15T14:41:11Z)
• Hybrid Supervised and Reinforcement Learning for the Design and Optimization of Nanophotonic Structures [8.677532138573984]
  本稿では,ナノフォトニック構造の逆設計に対するハイブリッド・教師付き・強化学習手法を提案する。 提案手法は,訓練データの依存度を低減し,モデル予測の一般化性を向上させるとともに,探索訓練時間を桁違いに短縮できることを示す。
  論文  参考訳（メタデータ） (2022-09-08T22:43:40Z)
• Predictive modeling approaches in laser-based material processing [59.04160452043105]
  本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。 その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。 結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
  論文  参考訳（メタデータ） (2020-06-13T17:28:52Z)

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。