[論文レビュー] NeurOLight: A Physics-Agnostic Neural Operator Enabling Parametric Photonic Device Simulation

Jiaqi Gu, Zhengqi Gao+5 more|arXiv (Cornell University)|Sep 19, 2022

Neural Networks and Reservoir Computing被引用数 12

ひとこと要約

NeurOLight は、光子デバイスの周波数領域 Maxwell PDE をパrametricにシミュレートする物理に依存しないニューラルオペレータフレームワークであり、超高速な推論を実現する。統一されたドメイン離散化、コンパクトな波の事前情報エンコーディング、マスクされたソースモデリング、およびスーパーポジションに基づくデータオーグメンテーションを用いたパrameter効率の高いクロス形状 FNO バックボーンにより、FDFD ソルバーよりも 2 時間分速く、最先端のモデルと比較して予測誤差を 54% 減少させ、パrameter数も 44% 少ない。

ABSTRACT

Optical computing is an emerging technology for next-generation efficient artificial intelligence (AI) due to its ultra-high speed and efficiency. Electromagnetic field simulation is critical to the design, optimization, and validation of photonic devices and circuits. However, costly numerical simulation significantly hinders the scalability and turn-around time in the photonic circuit design loop. Recently, physics-informed neural networks have been proposed to predict the optical field solution of a single instance of a partial differential equation (PDE) with predefined parameters. Their complicated PDE formulation and lack of efficient parametrization mechanisms limit their flexibility and generalization in practical simulation scenarios. In this work, for the first time, a physics-agnostic neural operator-based framework, dubbed NeurOLight, is proposed to learn a family of frequency-domain Maxwell PDEs for ultra-fast parametric photonic device simulation. We balance the efficiency and generalization of NeurOLight via several novel techniques. Specifically, we discretize different devices into a unified domain, represent parametric PDEs with a compact wave prior, and encode the incident light via masked source modeling. We design our model with parameter-efficient cross-shaped NeurOLight blocks and adopt superposition-based augmentation for data-efficient learning. With these synergistic approaches, NeurOLight generalizes to a large space of unseen simulation settings, demonstrates 2-orders-of-magnitude faster simulation speed than numerical solvers, and outperforms prior neural network models by ~54% lower prediction error with ~44% fewer parameters. Our code is available at https://github.com/JeremieMelo/NeurOLight.

研究の動機と目的

• 光子デバイスシミュレーションにおける従来の数値ソルバーの高い計算コストと一般化能力の限界を解決すること。
• 物理に依存するニューラルネットワーク（PINNs）の制限を克服すること。PINNs は固定された PDE インスタンスに制限され、明示的な PDE の定式化を必要とする。
• 1 つの訓練済みフレームワーク内で、多様なデバイス幾何形状、誘電率、入射源、周波数に一般化可能なサーヴィレートモデルを開発すること。
• スケーラブルな AI 共設計を可能にする、カスタマイズされた光子デバイスにおける光学的場分布の効率的でエンドツーエンドのシミュレーションを実現すること。
• パrametric光子回路設計および最適化における高速で低誤差の推論を達成すること。

提案手法

• 異なる幾何形状の多様な光子デバイスを統一された空間ドメインに離散化し、異なる幾何形状間での共有表現学習を可能にする。
• 明示的な PDE 定式化を伴わずに周波数および材料特性をエンコードするコンパクトな波の事前情報により、パrametric PDE を表現する。
• マスクされたソースインジェクションにより入射光をモデリングし、推論時に柔軟な励起条件を実現する。
• 長距離の場の相互作用および干渉効果を捉えるために、効率的なフーリエベースの演算を用いたクロス形状のニューラルオペレータバックボーンを設計する。
• データ効率性と一般化性能の向上を図るため、スーパーポジションに基づくミックスアップオーグメンテーションを導入する。
• 複素数値の光学的場分布を予測するために、統合された PDE エンコーダーとニューラルオペレータを用いてエンドツーエンドでモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 物理に依存しないニューラルオペレータフレームワークは、多様な光子デバイス設計、誘電率、励起条件に一般化できるか？
• RQ2 明示的な PDE 定式化なしに、サーヴィレートモデルはマクスウェル方程式の背後にある物理をどのように学習できるか？
• RQ3 データオーグメンテーション技術は、光学的場シミュレーションにおける一般化性能の向上とデータ要件の低減にどの程度寄与できるか？
• RQ4 ニューラルオペレータベースのフレームワークは、従来の FDFD ソルバーよりも 100 倍の高速化を達成できるか、かつ高い正確性を維持できるか？
• RQ5 提案されたアーキテクチャは、予測精度、パrameter効率、および転送可能性の面で最先端のモデルと比較してどの程度優れているか？

主な発見

• NeurOLight は 8 核 CPU において FDFD ソルバーよりも 140× から 200× 速く推論を実行し、1 枚の GPU でも 2 時間分の高速化を実現した。
• 複数のベンチマークにおいて、最先端のモデル（UNet や FNO の変種を含む）と比較して、平均で 53.8% の予測誤差低減を達成した。
• パrameter 数がたった 158 万個で、最良のベースラインと比較して 44.2% 少ないにもかかわらず、優れた正確性を達成した。
• 訓練分布を超えた未観測のデバイス設定、たとえば新しい幾何形状、誘電率、入射源、周波数に対しても一般化できる。
• スーパーポジションに基づくミックスアップオーグメンテーションは、データ効率性と一般化性能を顕著に向上させ、限られた訓練データでも頑健な性能を発揮した。
• 統合された PDE エンコーダーとクロス形状 FNO アーキテクチャは、統合光子デバイスにおける複雑な光の伝播、散乱、干渉効果を効果的に捉えた。