論文の概要: MOCLIP: A Foundation Model for Large-Scale Nanophotonic Inverse Design

• arxiv url: http://arxiv.org/abs/2511.18980v1
• Date: Mon, 24 Nov 2025 10:54:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.165848
• Title: MOCLIP: A Foundation Model for Large-Scale Nanophotonic Inverse Design
• Title（参考訳）: MOCLIP:大規模ナノフォトニクス逆設計の基礎モデル
• Authors: S. Rodionov, A. Burguete-Lopez, M. Makarenko, Q. Wang, F. Getman, A. Fratalocchi,
• Abstract要約: MOCLIPはナノフォトニック基礎モデルであり、準曲面幾何学とスペクトルを共有潜在空間に統合する。 MoCLIPは、実験的に取得したデータセットを使用して、幾何学とスペクトル表現を整列するために、対照的な学習を用いる。 MoCLIPは、次世代フォトニックデザインとデータ駆動アプリケーションのためのスケーラブルで汎用的なプラットフォームである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models (FM) are transforming artificial intelligence by enabling generalizable, data-efficient solutions across different domains for a broad range of applications. However, the lack of large and diverse datasets limits the development of FM in nanophotonics. This work presents MOCLIP (Metasurface Optics Contrastive Learning Pretrained), a nanophotonic foundation model that integrates metasurface geometry and spectra within a shared latent space. MOCLIP employs contrastive learning to align geometry and spectral representations using an experimentally acquired dataset with a sample density comparable to ImageNet-1K. The study demonstrates MOCLIP inverse design capabilities for high-throughput zero-shot prediction at a rate of 0.2 million samples per second, enabling the design of a full 4-inch wafer populated with high-density metasurfaces in minutes. It also shows generative latent-space optimization reaching 97 percent accuracy. Finally, we introduce an optical information storage concept that uses MOCLIP to achieve a density of 0.1 Gbit per square millimeter at the resolution limit, exceeding commercial optical media by a factor of six. These results position MOCLIP as a scalable and versatile platform for next-generation photonic design and data-driven applications.
• Abstract（参考訳）: ファンデーションモデル(FM)は、さまざまな分野にわたる汎用的でデータ効率のよいソリューションを、幅広い用途で実現することによって、人工知能を変革している。 しかし、大規模で多様なデータセットの欠如は、ナノフォトニクスにおけるFMの発生を制限する。 この研究は、ナノフォトニック基盤モデルであるMOCLIP(Meta surface Optics Contrastive Learning Pretrained)を提示する。 MOCLIPは、画像Net-1Kに匹敵するサンプル密度を持つ実験的なデータセットを用いて、幾何とスペクトル表現を整列するために対照的な学習を用いる。 この研究は、高出力ゼロショット予測のためのMOCLIP逆設計能力を毎秒0.2百万サンプルで示し、高密度の準曲面を数分で占有するフル4インチウェハの設計を可能にした。 また、生成遅延空間の最適化が97%の精度に達することも示している。 最後に,MOCLIPを用いて,解像度限界で0.1Gbit/m2の密度を達成し,商業用光媒体を6倍に超える光学情報記憶方式を提案する。 これらの結果は、MOCLIPを次世代フォトニックデザインとデータ駆動アプリケーションのためのスケーラブルで汎用的なプラットフォームとして位置づけている。

関連論文リスト

• Chat to Chip: Large Language Model Based Design of Arbitrarily Shaped Metasurfaces [1.7706010980924418]
  LLMはスペクトル予測と逆設計に必要な物理的関係を学習できることを示す。 この"chat-to-chip"ワークフローは、よりユーザフレンドリーなデータ駆動ナノフォトニクスへの一歩である。
  論文  参考訳（メタデータ） (2025-09-29T02:24:57Z)
• Foundation Models for Zero-Shot Segmentation of Scientific Images without AI-Ready Data [0.0]
  我々は、科学画像におけるデータ準備のボトルネックを軽減するように設計された、ノーコードインタラクティブなコンピュータビジョンプラットフォームであるZenesisを紹介した。 Zenesisは、生の科学データに基づくゼロショット推論のための軽量な適応、ヒューマン・イン・ザ・ループの洗練、および注釈付き時間拡張を統合している。
  論文  参考訳（メタデータ） (2025-06-30T16:45:23Z)
• Inverse Design of Diffractive Metasurfaces Using Diffusion Models [28.865660196923752]
  メタサーフェス(Metagrounds)は、光の正確な制御を可能にする、エンジニアリングされたサブ波長構造からなる超薄い光学素子である。 逆設計では、構造と光学特性の間の複雑な非線形関係のため、所望の光学応答をもたらす幾何を決定することは困難である。 拡散モデルの生成能力を計算設計に組み込むことにより,これらの課題に対処する。 本研究では,空間的に均一な強度スプリッタと偏光ビームスプリッタの設計に対するアプローチを示す。
  論文  参考訳（メタデータ） (2025-06-26T20:10:30Z)
• Parameter-Inverted Image Pyramid Networks [49.35689698870247]
  Inverted Image Pyramid Networks (PIIP) と呼ばれる新しいネットワークアーキテクチャを提案する。 私たちの中核となる考え方は、パラメータサイズの異なるモデルを使用して、画像ピラミッドの解像度の異なるレベルを処理することです。 PIIPは、オブジェクト検出、セグメンテーション、画像分類などのタスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-06-06T17:59:10Z)
• Semantic Segmentation in Satellite Hyperspectral Imagery by Deep Learning [54.094272065609815]
  本稿では1D-Justo-LiuNetという軽量な1D-CNNモデルを提案する。 1D-Justo-LiuNetは、全てのテストモデルの中で最小のモデルサイズ (4,563 パラメータ) を持つ最大精度 (0.93) を達成する。
  論文  参考訳（メタデータ） (2023-10-24T21:57:59Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Uncertainty-Aware Deep Multi-View Photometric Stereo [100.97116470055273]
  光度ステレオ(PS)は高周波表面の細部を復元するのに優れ、マルチビューステレオ(MVS)はPSによる低周波歪みを除去し、大域的な形状を維持するのに役立つ。 本稿では,PS と MVS の相補的強みを効果的に活用する手法を提案する。 我々は,不確実性を考慮したディープPSネットワークとディープMVSネットワークを用いて,画素ごとの表面の正規度と深さを推定する。
  論文  参考訳（メタデータ） (2022-02-26T05:45:52Z)
• Learning Inter- and Intra-frame Representations for Non-Lambertian Photometric Stereo [14.5172791293107]
  2段階の畳み込みニューラルネットワーク(CNN)アーキテクチャを構築し、フレーム間およびフレーム内表現を構築します。 フレーム間およびフレーム間特徴抽出モジュールを配置する最適スキームを特定するために,ネットワーク設計の代替案を多数検討した。
  論文  参考訳（メタデータ） (2020-12-26T11:22:56Z)
• Microscopy with heralded Fock states [0.0]
  自発パラメトリックダウン変換(SPDC)は、フォック状態に調製された量子光である隠蔽された単一光子の源として用いられる。 本研究では,空間モード追跡のための解析式と,階層化モード幅と非階層化モード幅について述べる。
  論文  参考訳（メタデータ） (2020-11-05T19:00:27Z)

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。