基于信息形式替代动力学的可扩展光子神经网络

逆设计纳米光子介质是紧凑型光子神经网络的有前景平台，但端到端训练昂贵，因为每次 adjoint 迭代都将全波求解器与数据小批量耦合，因此电磁仿真的数量随网络深度和 batch size 同时增长。我们引入两种阶段的替代工作流程，以解耦任务学习与电磁实现。在第一个阶段，用受限奇异值的数学可被动复数矩阵表示可训练的光子模块，并在矩阵空间中直接解决分类任务，代价极低。在第二个阶段，将选定的目标算子通过 adjoint 问题传递到制造可接受的 freeform 器件中，利用 Frobenius 范数传输残差和反射惩罚项，该过程消除了全波循环中的 minibatch 依赖，使损失景观比强度域交叉熵更光滑。我们进一步引入由固定 evanescent-coupling 区域构成的 banded-router 架构，利用矩阵乘积的带宽可加性来实现稠密有效算子，所需设计区域约为完全局部路由的一半。该框架在三个任务上得到验证。在 MedMNIST 上，实现的全光分类器仅经过 20 个 adjoint 纪元，即可在准确率上接近替代精度的 $0.6$ 个百分点。在 RSSCN7 上，banded router 加上 evanescent 阶段的测试准确率比线性读取基线提高了 15 个百分点以上。Yin-Yang 任务确认该框架支持非线性决策边界。这些结果表明，替代导向的逆设计是训练紧凑型光子处理器的实用途径，其仿真预算比直接几何到任务的管道低几个数量级。