Design of multi-parameter photonic devices using machine learning pattern recognition
Notice bibliographique
Résumé
Enabled by technological improvements, photonic devices and circuits are becoming increasingly more complex. Non-trivial geometries are designed to reduce device footprint, improve performance, and introduce novel functionalities. However, the number of design variables required to properly represent these geometries quickly grows, limiting the effectiveness of classical design approaches. Moreover, parameters are often strongly interdependent, restricting the use of sequential optimizations or independent parameter sweeps. Although several optimization techniques can be effective for multi-parameter design, they commonly allow to optimize for a single or a handful designs and the optimization process needs to be repeated if new performance criteria are introduced. In contrast to classical design approaches, the in uences of the design parameters remain hidden as well as the general behavior of the design space. In this paper we present an extension of our recent work on the application of machine learning pattern recognition to the design of multi-parameter photonic devices. In particular, we propose using a combination of local optimization based on the adjoint method and the use of dimensionality reduction. Adjoint optimization is used multiple times to generate a small set of different designs with high performance. Dimensionality reduction is applied to analyze the relationship between these degenerate designs and identify a lower-dimensional design sub-space that includes all alternative good designs. This sub-space can be mapped for any performance criteria thus enabling informed decisions based on the relative priorities of all relevant performance specifications. As a proof of concept, we demonstrate a ten-parameter design of an integrated photonic power splitter using silicon-on-insulator technology. We identify a region of possible high performance design solutions and select two design candidates either maximizing the splitter efficiency or minimizing back-reflection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».