Physics-Based Flow Matching for Full-Field Prediction of Silicon Photonic Devices

Resumen Técnico: Emparejamiento de Flujo Basado en Física para la Predicción de Campo Completo de Dispositivos Fotónicos de Silicio

Planteamiento del Problema
El diseño de circuitos fotónicos integrados (PIC) depende en gran medida de simulaciones electromagnéticas de onda completa precisas, realizadas típicamente mediante solucionadores de Diferencias Finitas en el Dominio del Tiempo (FDTD). Aunque el FDTD ofrece alta fidelidad, es computacionalmente costoso, creando un cuello de botella para los barridos de parámetros y los bucles de diseño inverso basados en gradientes. Los sustitutos existentes de aprendizaje automático a menudo fallan al predecir soluciones complejas de campo completo (preservando tanto la amplitud como la fase) o carecen de generalización a través de diversas familias de dispositivos. Además, muchos modelos no hacen cumplir estrictamente las leyes físicas, generando potencialmente soluciones que parecen plausibles pero violan la ecuación de onda subyacente.

Metodología
Los autores proponen PIC-Flow, un sustituto neuronal generativo diseñado para predecir la distribución del campo eléctrico complejo ($E_z$) de dispositivos fotónicos de silicio dada su geometría (mapa de permitividad), la excitación de la fuente y la longitud de onda de operación. El enfoque integra tres componentes principales:

1. Emparejamiento de Flujo Condicional: En lugar de modelos de difusión, el marco utiliza el emparejamiento de flujo para aprender un campo de velocidad dependiente del tiempo $u_\theta(x_t, t)$. Este campo transporta muestras desde una priori simple de ruido gaussiano ($t=0$) hasta la distribución de soluciones de campo electromagnético físicamente válidas ($t=1$). El modelo se condiciona sobre la permitividad del dispositivo $\varepsilon$, la máscara de fuente $m_{src}$ y la longitud de onda $\lambda$.
2. Arquitectura: Una U-Net de valores reales (63.3M de parámetros) procesa las partes real e imaginaria del campo como canales separados. La red emplea bloques residuales, atención auto-referencial multi-cabeza en factores de submuestreo específicos y Modulación Lineal Específica de Características (FiLM) para condicionar la red sobre el paso de tiempo y la longitud de onda.
3. Entrenamiento Restringido por Física: El objetivo de entrenamiento combina la pérdida estándar de emparejamiento de flujo con dos términos conscientes de la física:
   • Pérdida de Fase: Penaliza el desacuerdo de fase entre los campos predichos y los de referencia, ponderado por la amplitud del campo.
   • Pérdida de Residuo Helmholtz Enmascarada: Hace cumplir la ecuación de Helmholtz escalar ($\nabla^2 E_z + k_0^2 \varepsilon E_z = 0$). Crucialmente, los autores introducen un esquema de enmascaramiento consciente de la interfaz que excluye píxeles en las fronteras dieléctricas (donde dominan los errores del estencil de diferencias finitas), Capas Perfectamente Acopladas (PML) y regiones de fuente. Esto produce una "métrica de cumplimiento físicamente significativa" ($\rho_R$) que mide el residuo RMS relativo al término impulsor local, evitando penalidades espurias en interfaces agudas.

Contribuciones Clave
El artículo presenta cuatro contribuciones principales:

1. Un Sustituto de Emparejamiento de Flujo: Un modelo que predice el campo $E_z$ complejo de dispositivos fotónicos de silicio parametrizados condicionado a la geometría y la longitud de onda.
2. Pérdida de Física Enmascarada: Una novedosa pérdida de residuo Helmholtz que excluye píxeles de frontera y de fuente, definiendo una métrica de cumplimiento robusta y por muestra ($\rho_R$) que es independiente del espaciado de la cuadrícula y de la amplitud del campo.
3. Ablación y Evaluación Comparativa: Una evaluación que muestra que combinar el emparejamiento de flujo con pérdidas de fase y Helmholtz mejora el cumplimiento de la ecuación de onda sin sacrificar la calidad de reconstrucción. Los autores proporcionan una evaluación comparativa de tiempo real frente a FDTD en CPU multi-hilo en el mismo nodo de computación.
4. Evidencia de Generalización: Demostración de que el modelo, entrenado en interferómetros multimodo (MMI), ramas Y y acopladores direccionales, se generaliza a clases de dispositivos retenidas (curvas S, conos y ramas Y en cascada) no presentes en los datos de entrenamiento.

Resultados
El modelo fue entrenado con 22,500 simulaciones FDTD de referencia (división 80/10/10) que cubren tres familias de dispositivos a $\lambda = 1.55$ µm.

• Precisión: La configuración "FM + fase + residuo" alcanzó una relación de residuo p95 en el peor caso de 2.22 (relativa al error de discretización de FDTD) y una relación de residuo media de 1.34. El cumplimiento por muestra $\rho_R$ para dispositivos dentro de la distribución osciló entre 2.2% y 2.7%, significativamente mayor que el suelo de discretización de FDTD (<0.1%) pero visualmente indistinguible de la referencia.
• Generalización: En geometrías fuera de distribución (OOD), el modelo mantuvo un cumplimiento razonable. Los conos y las ramas Y en cascada mostraron valores de $\rho_R$ de 3.6–9.1%. Una curva S agresiva (fuera de los rangos de entrenamiento) alcanzó $\rho_R \approx 12\%$, indicando una violación de la física reconocible pero moderada en lugar de un fallo catastrófico.
• Velocidad: El sustituto ofrece aceleraciones significativas frente a FDTD en CPU de 16 hilos. Con 100 pasos de integración de Euler, es 2.6× más rápido ($\rho_R = 1.9\%$). Reducir los pasos a 20 produce una aceleración de 12.7× ($\rho_R = 3.0\%$), y 5 pasos producen una aceleración de 50.6× ($\rho_R = 5.5\%$).

Significado y Afirmaciones
Los autores posicionan a PIC-Flow no como un reemplazo directo para FDTD, sino como una base para la exploración rápida del espacio de diseño. El trabajo establece que el emparejamiento de flujo, cuando se complementa con penalizaciones explícitas de la ecuación de onda, puede generar predicciones de campo completo físicamente consistentes. Los autores afirman que, con una cobertura de datos más amplia y una optimización adicional (por ejemplo, destilación para reducir los pasos de integración), este enfoque podría escalar a la predicción de campo de banda ancha y agnóstica del dispositivo. Esto permitiría a los diseñadores reducir rápidamente grandes espacios de parámetros, reservando las costosas simulaciones de FDTD solo para el ajuste fino final. El código, los pesos del modelo y el conjunto de datos se liberan como código abierto para facilitar su integración en flujos de trabajo de diseño fotónico existentes.