PACE：面向复杂光子器件的准确光场仿真的轴向因子化学习算子

电磁场仿真是设计、优化和验证光子器件和电路的核心环节。然而，数值仿真的高计算成本已成为光子电路设计流程中的重要瓶颈，制约了其可扩展性和交付周期。神经算子作为一种有前景的替代方案，但现有最先进方法（如 NeurOLight）在预测真实世界复杂光子器件的高保真场时表现不足，其最佳报告误差为 0.38 的归一化平均绝对误差。高度复杂的光-物质相互作用（如散射与共振效应）、对局部结构细节的敏感性、全域仿真的非均匀学习复杂度以及丰富的频率信息，均导致现有神经 PDE 求解器失败。本文提出一种新颖的轴向因子化 PACE 算子，通过上述挑战驱动设计，显著提升了复杂光子器件仿真的预测保真度。我们受人类学习启发，将极其困难的仿真任务划分为两个逐步简化的子任务：第一阶段模型学习初始解，第二阶段模型进行细化。在各种复杂光子器件基准测试中，单一 PACE 模型相较于最新用于 PDE 求解的机器学习方法，实现了 73% 的误差降低，同时使用约 50% 更少的参数。双阶段方案进一步提升了对更复杂情形的高保真仿真能力。就运行时间而言，PACE 相对于使用 scipy 或高度优化的 pardiso 求解器的数值求解器，分别实现了 154 倍至 577 倍以及 11.8 倍至 12 倍的仿真加速。我们已开源代码与数据集。