論文の概要: Physics-Based Flow Matching for Full-Field Prediction of Silicon Photonic Devices
- arxiv url: http://arxiv.org/abs/2605.06929v1
- Date: Thu, 07 May 2026 20:40:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:38.612731
- Title: Physics-Based Flow Matching for Full-Field Prediction of Silicon Photonic Devices
- Title（参考訳）: シリコンフォトニックデバイスのフルフィルド予測のための物理ベースフローマッチング
- Authors: Joseph Quaratiello, Anthony Rizzo,
- Abstract要約: 我々は、フォトニックデバイスにおける電界分布を予測する生成型ニューラルネットワークであるPICFlowを提案する。
提案手法は, (i) 生成フレームワークとしての条件付きフローマッチング, (ii) 実フィールドチャネルと虚フィールドチャネルを実数値で操作するU-Net, (iii) ランタイムナブラ2 E_z + k2 varepsilon E_z = 0$のHelmholtz残留損失による物理制約付きトレーニングの3つを組み合わせたものである。
- 参考スコア（独自算出の注目度）: 0.02455468619225742
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Designing photonic integrated circuits requires accurate electromagnetic field simulations, which remain computationally expensive even for simple device geometries. We present PIC-Flow, a generative neural surrogate that predicts electromagnetic field distributions for photonic devices given their geometry and operating wavelength as an alternative to costly finite-difference time-domain (FDTD) simulations. Our approach combines three key ideas: (i) conditional flow matching as the generative framework, learning a velocity field that transports Gaussian noise to physically valid field solutions; (ii) a real-valued U-Net operating on split real and imaginary field channels; and (iii) physics-constrained training through a Helmholtz residual loss enforcing $\nabla^2 E_z + k_0^2 \varepsilon E_z = 0$. We introduce an interface-aware masking scheme for the Helmholtz residual that excludes dielectric boundary pixels where finite-difference stencil errors dominate, yielding a physically meaningful compliance metric. The data set consists of 22,500 ground-truth FDTD simulations split evenly between multimode interferometers, Y-branches, and directional couplers at $λ=1.55\,μ$m in an 80/10/10 split between training, validation, and test sets. We evaluate ablations on the network against the held out test devices and also show that the model generalizes to held out device classes such as S-bends, tapers, and cascaded Y-branches. Rather than a drop-in replacement for FDTD, this work establishes a foundation that, with broader data coverage, more compute, and further training optimization, could scale toward broadband, device-agnostic field prediction with dramatically improved runtime for rapid design-space exploration of complex photonic devices and circuits.
- Abstract（参考訳）: フォトニック集積回路の設計には正確な電磁場シミュレーションが必要である。
本稿では,PIC-Flowについて述べる。PIC-Flowは,FDTD(有限差分時間領域)シミュレーションの代替として,テクスチャと動作波長が与えられたフォトニックデバイスにおける電界分布を予測できる生成型ニューラルネットワークである。
私たちのアプローチには3つの重要なアイデアが組み合わさっています。
一 生成の枠組みとしての条件付き流れマッチング、ガウスノイズを物理的に有効な場解に伝達する速度場を学ぶこと。
(二)実フィールドチャンネルと虚フィールドチャンネルを分割して運用する実数値U-Net
3) ヘルムホルツ残留損失による物理制約付きトレーニングは, $\nabla^2 E_z + k_0^2 \varepsilon E_z = 0$である。
本稿では,有限差分ステンシル誤差が支配される誘電体境界画素を除外し,物理的に有意なコンプライアンス基準を与えるヘルムホルツ残差に対するインタフェース対応マスキング手法を提案する。
データセットは、マルチモード干渉計、Yブランチ、および指向性結合器の間で、トレーニング、検証、テストセットを80/10/10で分割した22,500の地上構造FDTDシミュレーションで構成されている。
また,ネットワーク上で保持したテストデバイスに対するアブレーションを評価し,Sベンド,テーパ,ケースドYブランチなどのデバイスクラスを一般化することを示した。
FDTDをドロップインで置き換えるのではなく、より広範なデータカバレッジ、計算量、さらなるトレーニング最適化により、複雑なフォトニックデバイスや回路の設計空間を迅速に探索するための、劇的に改善されたランタイムによるデバイス非依存のフィールド予測をブロードバンドに拡張できる基盤を確立する。
関連論文リスト
- AeTHERON: Autoregressive Topology-aware Heterogeneous Graph Operator Network for Fluid-Structure Interaction [0.0]
AeTHERONは共有高次元潜在空間における非線形流体-構造結合を学習する。
AeTHERONは、大規模渦トポロジーとウェイク構造を定性的忠実度で捉えている。
推論には1つのGPUで1時間に1ミリ秒かかるが、同等のDNS計算では数時間かかる。
論文 参考訳（メタデータ） (2026-04-15T00:31:20Z) - Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。
平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。
球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
論文 参考訳（メタデータ） (2026-03-11T12:41:46Z) - Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。
速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
論文 参考訳（メタデータ） (2025-12-01T05:14:25Z) - Component-Based Machine Learning for Indoor Flow and Temperature Fields Prediction Latent Feature Aggregation and Flow Interaction [22.85411632321514]
本研究では,従来のCFDシミュレーションを代替するコンポーネントベース機械学習(CBML)サロゲートモデリング手法を提案する。
CBMLは3つのニューラルネットワークで構成されている: 残留接続を持つ畳み込み自己エンコーダ(CAER)、多層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)。
その結果、CBMLモデルはトレーニングとテストの両方のデータセットで2次元の集約速度場を正確に高速に予測できることがわかった。
論文 参考訳（メタデータ） (2025-07-25T12:57:30Z) - RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [76.24833675757033]
物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$k2$を提案する。
提案するRadioDiff-$k2$フレームワークは,画像レベルのRM構成とローカライズタスクの両方において,最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2025-04-22T06:28:13Z) - 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) - PIC2O-Sim: A Physics-Inspired Causality-Aware Dynamic Convolutional Neural Operator for Ultra-Fast Photonic Device FDTD Simulation [18.832901682895944]
我々は,光デバイスシミュレーションのための物理インスパイアされたAIベースの予測フレームワーク PIC2OSim を提案する。
PIC2O-Simは51.2%のロールアウト予測誤差を提供し、パラメータは最先端のニューラル演算子よりも23.5倍少ない。
論文 参考訳（メタデータ） (2024-06-24T18:15:36Z) - Unified, Verifiable Neural Simulators for Electromagnetic Wave Inverse Problems [1.6795461001108096]
我々は、数千のDoF、波長、照明波面、およびフリーフォームの散乱シミュレーションに対処できる単一の統一モデルを示す。
本研究は,既存の散乱シミュレータにおいて,普遍的かつ精度の高いニューラルサロゲートへの道を示すものである。
論文 参考訳（メタデータ） (2024-03-31T03:23:29Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳（メタデータ） (2023-10-04T03:32:39Z) - Green, Quantized Federated Learning over Wireless Networks: An
Energy-Efficient Design [68.86220939532373]
有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。
提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
論文 参考訳（メタデータ） (2022-07-19T16:37:24Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳（メタデータ） (2021-06-02T07:36:27Z)
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。