SP2RINT：用于可扩展PDE约束超光学神经网络训练的解耦物理启发式渐进逆优化
光学
2025-05-30 v2 人工智能
机器学习
摘要
衍射光学神经网络（DONN）利用光传播实现高效的模拟AI和信号处理。纳米光子制造和超表面波前工程的进展为在各种光谱波段实现高容量DONN开辟了新途径。训练此类DONN系统以确定超表面结构仍然具有挑战性。启发式方法速度快但过度简化了超表面调制，往往导致物理上不可实现的设计和显著的性能退化。仿真内循环通过伴随法优化可实现的超表面，但计算代价高昂且不可扩展。为解决这些局限性，我们提出了SP2RINT，一个空间解耦的渐进训练框架，将DONN训练表述为PDE约束学习问题。超表面响应首先被松弛为具有带状结构的自由训练传递矩阵。然后我们通过交替进行传递矩阵训练和伴随法逆设计来逐步施加物理约束，避免每次迭代的PDE求解，同时确保最终的物理可实现性。为进一步减少运行时间，我们引入了一种受物理启发的空间解耦逆设计策略，基于场交互的自然局域性。该方法将超表面划分为独立可求解的patch，实现可扩展且并行的逆设计以及系统级校准。在多样化的DONN训练任务上的评估表明，SP2RINT在实现数字可比精度的同时，比仿真内循环方法快1825倍。通过弥合抽象DONN模型与可实现光子硬件之间的差距，SP2RINT实现了对物理可实现的超光学神经网络系统的可扩展、高性能训练。我们的代码可在https://github.com/ScopeX-ASU/SP2RINT获取。
引用
@article{arxiv.2505.18377,
title = {SP2RINT: Spatially-Decoupled Physics-Inspired Progressive Inverse Optimization for Scalable, PDE-Constrained Meta-Optical Neural Network Training},
author = {Pingchuan Ma and Ziang Yin and Qi Jing and Zhengqi Gao and Nicholas Gangi and Boyang Zhang and Tsung-Wei Huang and Zhaoran Huang and Duane S. Boning and Yu Yao and Jiaqi Gu},
journal= {arXiv preprint arXiv:2505.18377},
year = {2025}
}