DeepAdjoint：集成数据驱动机器学习与优化算法的全功能光子逆向设计框架
信号处理
2022-10-03 v1 光学
摘要
近年来，将机器学习 (ML) 与电磁优化算法相结合的混合设计策略已成为光子结构与器件逆向设计的新范式。虽然训练好的数据驱动神经网络能在给定数据集的设计空间内快速识别接近全局最优的解，但迭代优化算法可进一步优化该解并克服数据集限制。此外，此类 ML-优化混合方法可降低计算成本并加速新型电磁器件的发现。然而，现有混合 ML-优化方法尚未能在单一集成且用户友好的环境中同时优化材料与几何结构。另外，由于获取 ML 大规模数据集的困难，以及为光子设计训练的孤立模型呈指数增长，有必要在使预训练模型易于获取的同时标准化 ML-优化工作流。受这些挑战的推动，我们在此介绍 DeepAdjoint——一个通用、开源、多目标的“全功能”全局光子逆向设计应用框架，它将预训练深度生成网络与伴随变量法等最先进电磁优化算法相集成。DeepAdjoint 允许设计者指定任意光学设计目标，随后获得对制造容差鲁棒且具备所需光学性质的光子结构——全部在单一用户引导的应用界面内完成。因此，我们的框架为光子逆向设计中 ML 与优化算法的系统性统一铺平了道路。
引用
@article{arxiv.2209.15434,
title = {DeepAdjoint: An All-in-One Photonic Inverse Design Framework Integrating Data-Driven Machine Learning with Optimization Algorithms},
author = {Christopher Yeung and Benjamin Pham and Ryan Tsai and Katherine T. Fountaine and Aaswath P. Raman},
journal= {arXiv preprint arXiv:2209.15434},
year = {2022}
}