Computation cost reduction in 3D shape optimization of nanophotonic components
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Inverse design methodologies effectively optimize many design parameters of a photonic device with respect to a primary objective, uncovering locally optimal designs in a typically non-convex parameter space. Often, a variety of secondary objectives (performance metrics) also need to be considered before fabrication takes place. Hence, a large collection of optimized designs is useful, as their performance on secondary objectives often varies. For certain classes of components such as shape-optimized devices, the most efficient optimization approach is to begin with 2D optimization from random parameter initialization and then follow up with 3D re-optimization. Nevertheless, the latter stage is substantially time- and resource-intensive. Thus, obtaining a desired collection of optimized designs through repeated 3D optimizations is a computational challenge. To address this issue, a machine learning-based regression model is proposed to reduce the computation cost involved in the 3D optimization stage. The regression model correlates the 2D and 3D optimized structural parameters based on a small dataset. Using the predicted design parameters from this model as the initial condition for 3D optimization, the same optima are reached faster. The effectiveness of this approach is demonstrated in the shape optimization-based inverse design of TE 0 -TE 1 mode converters, an important component in mode-division multiplexing applications. The final optimized designs are identical in both approaches, but leveraging a machine learning-based regression model offers a 35% reduction in computation load for the 3D optimization step. The approach provides a more effective means for sampling larger numbers of 3D optimized designs.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle