基于傅里叶神经算子方法的激子-极化激元凝聚体系统建模

近年来提出了大量基于激子-极化激元（exciton-polariton）的下一代全光器件，包括晶体管、开关、模拟量子模拟器等的原型。然而，对于由多个极化激元凝聚体组成的此类系统，仍以快速且准确的方式预测其性质颇具挑战。凝聚体物理 conventionally 由 Gross-Pitaevskii 方程（GPE）描述。尽管目前存在基于 GPU 的求解器，我们提出了一种显著更高效的基于机器学习的傅里叶神经算子方法，求解与激子速率方程耦合的 GPE，并在数值与实验数据集上训练。所提方法在数值研究中比基于 CUDA 的求解器预测解几乎快三个数量级，且保持高度准确性。我们的方法不仅加速仿真，还为全光芯片与器件更快、更具可扩展性的设计打开大门，对量子计算、神经形态系统等领域具有深远影响。