[论文解读] 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 12

一句话总结

NeurOLight 是一种与物理无关的神经算子框架，可学习模拟参数化频域麦克斯韦偏微分方程（PDE），用于光子器件，实现超快推理。通过使用统一的域离散化、紧凑的波前验编码、掩码源建模，以及基于超参数效率的十字形 FNO 主干网络与基于叠加的数据增强方法，其仿真速度比 FDFD 求解器快两个数量级，且相比最先进模型将预测误差降低了 54%，同时参数量减少 44%。

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.

研究动机与目标

• 解决传统数值求解器在光子器件仿真中计算成本高且泛化能力有限的问题。
• 克服物理信息神经网络（PINNs）的局限性，后者受限于固定 PDE 实例且需要显式 PDE 表达式。
• 开发一种代理模型，可在单一训练框架中泛化于多种器件几何结构、介电常数、输入源和频率。
• 实现对定制化光子器件中光学场分布的高效端到端仿真，以支持可扩展的 AI 共设计。
• 在参数化光子电路设计与优化中实现高速、低误差的推理。

提出的方法

• 将多种光子器件离散化为统一的空间域，以实现在不同几何结构之间的共享表征学习。
• 通过紧凑的波前验表示参数化 PDE，编码频率和材料特性，而无需显式 PDE 表达式。
• 通过掩码源注入建模入射光，实现在推理过程中灵活的激励条件。
• 设计一种基于高效傅里叶运算的十字形神经算子主干网络，以捕捉长程场相互作用和干涉效应。
• 引入基于叠加的 mixup 增强方法，以提升训练过程中的数据效率和泛化能力。
• 采用联合 PDE 编码器与神经算子端到端训练，以预测复值光学场分布。

实验结果

研究问题

• RQ1 一种与物理无关的神经算子框架是否能泛化于多种光子器件设计、介电常数和激励条件？
• RQ2 代理模型如何在不使用显式 PDE 表达式的情况下学习麦克斯韦方程组的底层物理？
• RQ3 数据增强技术在光学场仿真中能在多大程度上提升泛化能力并减少数据需求？
• RQ4 基于神经算子的框架是否能实现相比传统 FDFD 求解器快一个数量级以上的速度提升，同时保持高精度？
• RQ5 所提出的架构在预测保真度、参数效率和可迁移性方面与最先进模型相比如何？

主要发现

• 在 8 核 CPU 上，NeurOLight 的推理速度比 FDFD 求解器快 140 至 200 倍，单张 GPU 上实现两个数量级的速度提升。
• 在多个基准测试中，NeurOLight 相比最先进模型（包括 UNet 和 FNO 变体）平均将预测误差降低 53.8%。
• 仅使用 158 万个参数，NeurOLight 的参数量比性能最佳的基线模型减少 44.2%，同时实现更优的精度。
• 该框架可泛化至未见过的器件配置，包括新的几何结构、介电常数、输入源和频率，超出训练分布范围。
• 基于叠加的 mixup 增强方法显著提升了数据效率和泛化能力，使模型在有限训练数据下仍能保持稳健性能。
• 联合 PDE 编码器与十字形 FNO 架构能有效捕捉集成光子器件中复杂的光传播、散射和干涉效应。