Gen-Fab：面向纳米光子器件的变动感知生成模型
计算机视觉与模式识别
2026-03-13 v1 人工智能
机器学习
摘要
硅光子器件常因制造引起的变动如过刻蚀、欠刻蚀和角线圆角等，显著影响器件性能。这些变动呈非均匀分布，受特征尺寸和形状影响。因此，需要准确的数字孪生体来预测给定设计的制造结果范围。本文引入 Gen-Fab，一种基于 Pix2Pix 的条件生成对抗网络 (cGAN)，用于预测和建模光子制造结果的不确定性。该方法以设计布局（GDS 格式）为输入，生成与扫描电子显微镜（SEM）图类似的多样化高分辨率预测，捕捉纳米尺度工艺变动的范围。为实现一对多映射，我们在模型瓶颈处注入潜在噪声向量。我们将 Gen-Fab 与三个基线方法进行比较：(1) 确定性 U-Net 预测器，(2) 推理时蒙特卡罗 Dropout U-Net，和 (3) 多样化 U-Net 集成。在针对制造光子器件测试结构的超出分布数据集上的评估表明，Gen-Fab 在准确率和不确定性建模方面均优于所有基线方法。额外的分布迁移分析进一步确认了其对未见制造几何形态的强大泛化能力。Gen-Fab 实现的最高交并比 (IoU) 得分为 89.8%，优于确定性 U-Net (85.3%)、MC-Dropout U-Net (83.4%) 和变异 U-Net (85.8%)。它还更贴近真实制造结果的分布，实现更低的 KL 散度和 Wasserstein 距离。
引用
@article{arxiv.2603.11505,
title = {Gen-Fab: A Variation-Aware Generative Model for Predicting Fabrication Variations in Nanophotonic Devices},
author = {Rambod Azimi and Yuri Grinberg and Dan-Xia Xu and Odile Liboiron-Ladouceur},
journal= {arXiv preprint arXiv:2603.11505},
year = {2026}
}
备注
Accepted and published in Structural and Multidisciplinary Optimization (2026)