用于纳米光子结构设计与优化的监督与强化学习混合方法
机器学习
2022-09-13 v1 光学
摘要
从更高的计算效率到实现新颖复杂结构的发现，深度学习已成为纳米光子电路与器件设计和优化的有力框架。然而，数据驱动和基于探索的机器学习策略在纳米光子逆向设计的有效性上均存在局限。监督机器学习方法需要大量训练数据以产生高性能模型，且因设计空间复杂难以泛化至训练数据之外。另一方面，无监督和基于强化学习的方法可能伴随极长的训练或优化时间。本文展示一种用于纳米光子结构逆向设计的监督学习与强化学习混合方法，表明该方法可降低训练数据依赖、提升模型预测泛化能力，并将探索性训练时间缩短数个数量级。所提策略从而解决了若干当代基于深度学习的挑战，同时为利用多类机器学习算法产生更高效实用的光子设计方案的新设计方法打开大门。
引用
@article{arxiv.2209.04447,
title = {Hybrid Supervised and Reinforcement Learning for the Design and Optimization of Nanophotonic Structures},
author = {Christopher Yeung and Benjamin Pham and Zihan Zhang and Katherine T. Fountaine and Aaswath P. Raman},
journal= {arXiv preprint arXiv:2209.04447},
year = {2022}
}