通过可解释机器学习技术提升光子芯片设计
光学
2025-05-15 v1 机器学习
量子物理
摘要
光子芯片设计通过逆向设计方法取得了显着进展，这些方法在优化器件性能方面提供了灵活性和效率。然而，优化方法的黑箱本质 (例如，用于最小化损失函数或最大化耦合效率的逆向设计方法) 带来了理解输出的挑战。这种挑战在机器学习基于的优化方法中同样存在。为此，解释性技术解决了优化模型的不透明性。在本工作中，我们应用机器学习中的解释性技术，以了解用于设计光子组件 (specifically two-mode multiplexers) 的逆向设计优化。我们的 methodology基于广泛使用的解释性技术即局部可解释模型中性释义 (LIME)。结果表明，LIME 提供的见解指向我们更有效的初始条件，直接改善了器件性能。这表明解释性方法不仅能解释模型，还能主动指导和增强逆向设计的光子组件。我们的结果表明，可解释技术能够揭示逆向设计过程中的底层模式，从而导致更高性能组件的开发。
引用
@article{arxiv.2505.09266,
title = {Enhanced Photonic Chip Design via Interpretable Machine Learning Techniques},
author = {Lirandë Pira and Airin Antony and Nayanthara Prathap and Daniel Peace and Jacquiline Romero},
journal= {arXiv preprint arXiv:2505.09266},
year = {2025}
}