基于扩散模型的物理引导、制造感知的光子器件逆设计

设计自由形状光子器件 fundamentally 具有挑战性，因为可能的几何形状庞大且制造约束要求复杂。传统逆设计方法——无论是基于人类直觉、全局优化，还是基于 adjoint 的梯度方法——常涉及复杂的二值化和过滤步骤，而最新的深度学习方法则需要大量仿真（10^5 到 10^6）。为克服这些限制，我们提出 AdjointDiffusion，一个集成 adjoint灵敏度梯度到扩散模型采样过程的物理引导框架。AdjointDiffusion 通过在合成、制造感知的二值掩码数据集上训练扩散网络。在推理阶段，我们计算候选结构的 adjoint 梯度，并在每个去噪步骤中注入这种基于物理的引导，将生成过程引导 toward 高效益（FoM）解决方案，而无需额外后处理。我们在两个经典光子设计问题上进行演示——弯曲波导和 CMOS 图像传感器彩色路由器——并展示我们的 method 在效率和制造性方面 consistently 优于最先进的非线性优化器（如 MMA 和 SLSQP），同时使用的仿真数量仅为纯深度学习方法（约 10^5 到 10^6）的约 2 x 10^2。通过消除复杂的二值化计划并最小化仿真开销，AdjointDiffusion 提供了一个高效、制造感知、下一代光子器件设计的流水线。我们的开源实现已公开于 https://github.com/dongjin-seo2020/AdjointDiffusion。