Введение
Электромагнитное моделирование давно стало узким местом при разработке оптических систем. Классические методы вроде FDTD требуют огромных вычислительных ресурсов, особенно когда речь идёт о подборе параметров сложных структур. В последние годы на помощь приходят нейросетевые суррогаты — обученные модели, которые имитируют поведение физического симулятора, но работают на порядки быстрее. Однако у таких заменителей был существенный недостаток: их удавалось обучать лишь для задач с очень небольшим числом управляемых параметров.
Проблема масштабирования
Одношаговые (нерекуррентные) суррогаты раньше эффективно работали только с несколькими десятками переменных. Как только количество параметров росло, обучение становилось нестабильным, а сама модель теряла точность. Причина — в стратегии формирования обучающей выборки: обычно примеры брались случайным образом из огромного пространства возможных конфигураций. Модель получала много «одинаково бесполезных» данных и не могла сфокусироваться на сложных случаях, где её ошибки особенно велики.
Авторы новой работы — Чарльз Доу и Лора Уоллер — предложили изменить сам подход к генерации обучающих данных. Вместо пассивной случайной выборки они запускают активный процесс поиска «трудных» примеров, который работает параллельно с обучением суррогата.
Новый алгоритм обучения
Ключевая идея заключается в том, чтобы заставить суррогат тренироваться именно на тех конфигурациях, которые он пока не умеет решать. Для этого используется градиентный подъём: алгоритм ищет такие распределения показателя преломления и параметры источников, при которых расхождение между предсказанием нейросети и точным полноволновым расчётом максимально. Эти «проблемные» примеры добавляются в обучающий набор, и модель вынуждена улучшаться именно там, где раньше ошибки были критическими.
Динамическая генерация примеров
Такой подход напоминает состязательное обучение: суррогат постоянно сталкивается с новыми вызовами, которые генерируются с учётом его текущих слабостей. Вместо того чтобы пытаться покрыть всё пространство параметров равномерно, метод концентрируется на наиболее информативных точках. Это резко сокращает объём требуемых данных и ускоряет сходимость.
Нормализация и replay-набор
Чтобы обучение оставалось стабильным, авторы применяют два дополнительных приёма. Во-первых, нормализуются и входной источник, и эталонное решение (ground-truth) — это предотвращает проблемы с разномасштабными значениями полей. Во-вторых, используется эволюционирующий набор для воспроизведения (replay dataset): часть ранее сгенерированных примеров сохраняется и периодически подмешивается в обучение. Такая «память» не даёт модели забывать уже освоенные сценарии.
Результаты
Эксперименты проводились на двумерной задаче рассеяния волн. Суррогат удалось обучить для систем с 41 772 управляемыми переменными, что на несколько порядков больше прежних возможностей. При этом модель сохраняла точность и на структурированных (регулярных) объектах, и на полностью свободных конфигурациях.
Самое интересное — свойство индуктивного обобщения: обученный суррогат способен работать с областями, размер которых не встречался при обучении. Без дополнительной настройки он справлялся с системами, содержащими более 3 миллионов переменных, — это рост в 73,8 раза относительно исходного масштаба.
Практическое применение
Возможности подхода продемонстрированы на реальных задачах обратного проектирования оптических элементов. Среди них — свободноформные светоделители и GRIN-линзы шириной до 98 длин волн. Полученные суррогатом дизайны не уступают решениям, найденным с помощью FDTD, а в ряде случаев даже превосходят их по качеству. Что касается скорости, ускорение по сравнению с классическим симулятором составило от 1,29× до 26,5× в зависимости от постановки.
Выводы
Предложенный алгоритм снимает главное ограничение одношаговых нейросуррогатов — невозможность масштабирования на практически значимые задачи. За счёт активного поиска сложных обучающих примеров, нормализации и использования replay-набора удаётся обучить модель, которая работает с миллионами переменных и при этом остаётся точной и быстрой. Это открывает путь к использованию нейросуррогатов в интерактивных средах проектирования, где раньше требовались сутёрные расчёты на кластерах.
Дальнейшее развитие метода может включать переход к трёхмерным задачам и более сложным физическим моделям, где выигрыш от замены симуляторов нейросетями окажется ещё значительнее.
