基于物理迁移学习 (PBTL) 方法训练的深层神经网络在纳米光子器件优化中的高效性
光学
2025-06-13 v1 计算物理
摘要
我们提出了一种基于神经网络 (NN) 的代理建模框架，用于光子器件优化，特别是在特征重要性不平衡且数据生成成本高的领域。我们的框架包括物理迁移学习 (PBTL) 增强的代理建模和标量化多目标遗传算法 (GAs)，为资源有限的情况下的光子设计自动化提供了通用解决方案。为验证该框架，我们优化了由两个区域组成的中红外量子级激光器 (QCL) 结构，活动区和注入区的特征重要性不同。优化目标包括五项关键 QCL 性能指标，如模式增益、发射波长、线宽和有效注入、提取能量。为解决输出潜在空间中多个局部最优的挑战，我们将深度神经网络总预测器 (DNN-TP) 与遗传算法相集成，实现可扩展且受自然启发的优化。通过用 DNN-TP 代理模型取代计算昂贵的数值仿真，优化速度提升了 8 万 倍以上，使我们能够大规模探索 QCL 的设计空间。为提高模型在有限数据下的泛化能力，我们引入 PBTL，从 DNN 核心预测器 (DNN-CP) 训练的活动区结构迁移知识。该方法在预测准确率上提升 0.69 个百分点，相当于训练数据需求减少 50 个百分点，并使优化期间生成的更可行器件结构评估指标提高 60 个百分点。
引用
@article{arxiv.2506.10418,
title = {Efficient nanophotonic devices optimization using deep neural network trained with physics-based transfer learning (PBTL) methodology},
author = {Gibaek Kim and Jungho Kim},
journal= {arXiv preprint arXiv:2506.10418},
year = {2025}
}