机器学习算法在纳米光子器件设计中的优化

hdy

引言

纳米光子器件通过在集成线路中在纳米尺度上操控光，已经在医学成像到量子计算等多个领域带来了革新。传统的器件设计方法主要依赖工程师确定整体几何结构，仅对少数参数进行机器优化。然而，逆向设计方法的出现改变了这一现状，计算机可以根据期望的性能指标和制造约束自动生成最优器件布局[1]。

1

优化挑战

在纳米光子器件逆向设计中，主要挑战在于找到材料（通常是硅和二氧化硅）的最佳排列方式，使光按照预期方式传输。这个过程涉及最小化一个包含期望性能和制造约束的代价函数。优化空间具有高度非凸性，这意味着算法可能陷入局部最优解而无法找到全局最优解。

图1：典型的纳米光子逆向设计工作流程，展示了从初始化through多个优化阶段（包括连续相、离散化、稳定和设计规则检查）的进展过程。

2

优化过程

逆向设计过程包含几个关键阶段：

• 连续相：在这个初始阶段，算法处理二氧化硅和硅之间的连续介电常数范围。这种灵活性使优化能更自由地探索设计空间。
• 离散化相：设计逐步被强制只使用硅或二氧化硅，消除了实际无法制造的中间材料。
• 稳定相：二元化设计在保持离散特性的同时进行进一步优化。
• 设计规则检查相：最后，在尽可能保持性能的同时对设计进行细化，确保满足制造约束。
  
  

图2：模式分离器结果，展示了(a)双模输入分离的设计目标，(b)不同优化器随时间的代价函数演化，以及(c)不同设计尺寸和优化方法的最终性能比较。

3

优化算法比较

研究评估了24种不同的优化算法，主要分为三类：

• Adam系列：这类算法包括Adam、AdaBelief、Adamax等多个变体，普遍表现最佳。采用自适应学习率和动量来有效处理复杂的优化空间。基本的Adam优化器适用于大多数逆向设计任务。
• AdaGrad系列：AdaGrad、AdaDelta和RMSProp等算法显示出独特特性。虽然初始表现不如Adam变体，但在结合元学习技术后显著提升。这类算法保持较长的历史梯度记忆，这种特性在具体设计任务中可能有利也可能不利。
• LARS系列：这组算法表现不一。虽然LARS和Lamb在参数发散方面存在问题，但Fromage优化器表现突出，常常达到或超过Adam的性能。Fromage的成功在于能防止优化过程中参数无限增长。
  
  

图3：模式分离器结构可视化，展示了不同初始化和优化器下的最终设计，说明了不同优化方法对最终器件几何形状的影响。

4

设计空间考虑

研究揭示了系统尺寸与性能之间的有趣关系。对于模式分离等较简单的任务，中等系统尺寸（100×100单元）产生最佳结果。然而，波长解复用等更复杂的任务则受益于更大的设计空间（140×140单元）。

图4：模式分离器性能分析，展示了(a)不同优化阶段之间的相关系数和(b)不同系统尺寸的性能趋势。

5

高级设计示例：波长解复用器

为展示这些优化技术的实际应用，研究考察了波长解复用器设计任务。该器件需要将不同波长的光（1500、1550和1600纳米）分离到三个独立的输出波导。

图5：波长解复用器结果，展示了(a)设计目标，(b)优化进展随时间的演化，以及(c)不同设计尺寸和优化方法的性能比较。

6

元学习见解

对优化器超参数进行优化的元学习实现揭示了几个关键见解：

• 对Adam的影响：元学习对Adam系列优化器影响复杂，有时能产生更好的"英雄"器件，但常常降低一致性。
• AdaGrad改进：元学习显著提高了AdaGrad系列优化器的性能，使其接近Adam的性能水平。
• 简单梯度下降：基本梯度下降算法在正确调优后通过元学习显示出显著改进，达到了有竞争力的性能。
  

图6：不同初始化和优化方法下的最终波长解复用器结构，展示了不同算法找到的解决方案多样性。

7

实用建议

基于综合分析，以下是纳米光子逆向设计的关键建议：

• 主要优化器选择：将Adam或其变体作为首选，特别是对于新的设计问题。这些优化器在不同任务和系统尺寸上表现稳健。
• 替代方法：考虑使用Fromage作为有力替代，尤其是在需要参数稳定性的长期优化运行中。
• 系统尺寸：将设计区域尺寸与问题复杂度匹配。简单器件可能在中等尺寸下表现更好，而复杂器件受益于更大的设计空间。
• 元学习应用：考虑对AdaGrad系列优化器或简单梯度下降实施元学习，但对Adam变体应用时需谨慎。
  

图7：波长解复用器性能分析，展示了优化阶段与不同优化方法的最终性能指标之间的相关系数。

8

结论

纳米光子逆向设计中的优化空间复杂且具有挑战性，但现代机器学习优化器提供了有效处理这些挑战的强大工具。优化器和系统尺寸的选择能显著影响最终器件性能，元学习在特定情况下提供了额外的改进机会。理解这些关系并应用适当的优化策略能带来性能更好的器件和更高效的设计过程。