[論文レビュー] Machine Learning Models to Identify Promising Nested Antiresonance Nodeless Fiber Designs

Rania A. Eltaieb, Sophie LaRochelle+1 more|arXiv (Cornell University)|Mar 2, 2026

Photonic Crystal and Fiber Optics被引用数 0

ひとこと要約

2段階のニューラルネットワークフレームワーク（単一モード設計の分類器と束縛損失の回帰器）は、NANFファイバーの迅速な設計を可能にし、14百万設計探索空間内で1,819設計の学習集合からCLを0.25 dB/kmと確認可能な低下を達成する.

ABSTRACT

Hollow-core fibers offer superior loss and latency characteristics compared to solid-core alternatives, yet the geometric complexity of nested antiresonance nodeless fibers (NANFs) makes traditional optimization computationally prohibitive. We propose a high-efficiency, two-stage machine learning framework designed to identify high-performance NANF designs using minimal training data. The model employs a neural network (NN) classifier to filter for single-mode designs (suppression ratio $\ge$ 50 dB), followed by a regressor that predicts confinement loss (CL). By training on the common logarithm of the loss, the regressor overcomes the challenges of high dynamic range. Using a sparse data set of only 1,819 designs, all with CL greater or equal to 1 dB/km, the model successfully identified optimized designs with a confirmed CL of 0.25 dB/km. {This demonstrates the NN has captured underlying physical behavior and is able to extrapolate to regions of lower CL. We show that small data sets are sufficient for stable, high-accuracy performance prediction, enabling the exploration of design spaces as large as $14e6$ cases at a negligible computational cost compared to finite element methods.

研究の動機と目的

• NANF（nested antiresonant nodeless fibers）を含む大きな幾何学的パラメータ空間の中で、入念な設計を促進する。
• 単一モード設計を識別し、拘束損失を予測するための2段階MLフレームワークを開発する。
• 学習データを超えた低損失領域へ外挿するデータ効率の良い学習を実証する。

提案手法

• SR ≥ 50 dBの抑制比を満たす設計をフィルタする分類器NNを使用する（単一モード設計）。
• 興味深いと判断された設計の拘束損失CLを予測する回帰器NNを使用し、広いダイナミックレンジを扱うためCLの常用対数をモデル化する。
• 各設計を6特徴ベクトルD = [D_clad, D_core, D_nest, D_cap, D_cap(1−α), g]で表す。
• COMSOLからの真値データを用いて18,188設計のNANF（CL ≥ 1 dB/km、CL < 1 dB/kmを除外）で学習。
• 回帰の評価はlog10(CL)を予測してdB/kmへ戻して報告することでNMSEを算出。
• 分類と回帰の精度を評価するために1,819から18,188までのデータセットサイズを探索し、回帰時には固定された分類器の重みを使用する。

実験結果

リサーチクエスチョン

• RQ1 2段階NN（分類器＋回帰器）はごく小さな学習データセットから高性能NANF設計を効率的に特定できるか？
• RQ2 データセットサイズが分類精度（真陽性/偽陰性）および回帰精度（CLの予測）にどのように影響するか。
• RQ3 極端に大きな設計空間（約14e6設計）を低計算コストで探索しつつ、訓練データを超えた超低CL領域へ外挿は可能か？
• RQ4 Z訓練データが1400 nmからO、C、Lバンドにわたる安定した性能へモデルを一般化させられるか？

主な発見

• 2段階NNフレームワークは、ground-truth CLが0.25 dB/kmまで低い高性能NANF設計を識別する。
• 1,819設計の学習データセットで約14e6設計空間の良設計を見つけるのに十分で、FE等価コストはほとんどゼロに近い。
• 分類はデータセットサイズが増えるほど真陽性率が高く、偽陰性/偽陽性率は低下して飽和する（n ≈ 12,732以上で飽和）。
• 回帰は興味深いと分類された設計についてCLを正確に予測し、CL ≤ 6.3 dB/kmでの平均絶対相対誤差が0.07以下、データセットが大きくなると改善。
• NNによって識別された最良設計は訓練データを上回り、C、O、Lバンド全体で0.4 dB/km未満の安定な拘束損失を示す設計があり、1400 nmで確認CL ≈ 0.25 dB/km。
• このアプローチは全体の計算コストをフル有限要素法シミュレーションと比較して桁違いに削減しつつ、約14e6設計の探索を可能にする。