改进参数化表示方法在基于深度学习的光子集成电路逆向设计中的应用

《IEEE Photonics Journal》：Optimized Structural Parameterization Enabling Efficient Inverse Design of Photonic Circuits Based on Deep Learning

　　

摘要：

深度学习已成为复杂且高性能光子器件逆向设计的强大工具。基于光子集成电路（PIC）的固定拓扑进行器件参数优化，以及在固定器件参数下自动设计拓扑结构，均可通过深度学习的端到端设计得以实现。然而，器件参数与多样化拓扑结构的有效协同设计仍面临挑战。因此，本文提出了一种改进的器件参数与拓扑结构参数化表示方法。电路结构的参数矩阵通过利用控制全通状态的特定器件物理参数进行等效替换优化，与直接组合器件参数和电路拓扑相比，这不仅有效简化了逆映射并降低了训练成本，还显著提高了预测准确性和泛化能力。结果表明，与没有任何物理信息的原始结构参数相比，使用转换后设计参数的神经网络的泛化误差降低了约 85%。在不同测试集上验证逆向网络时，平均绝对误差的统计均值可稳定在 3% 左右，从而实现光子集成电路精确可靠的自动生成。