MxDiffusion: A Physics-Aware Maxwells Law-Guided Diffusion Model Strategy for Inverse Photonic Metasurface Design

Probleemstelling

Het ontwerp van fotonische metastructuren (zoals metasurfaces) vereist vaak het vinden van complexe geometrische structuren die een specifieke optische respons (bijv. een transmissiespectrum) genereren. Dit staat bekend als inverse design. Traditionele methoden, zoals trial-and-error of adjoint-optimatie, zijn vaak tijdrovend en computatie-intensief.

Hoewel machine learning (ML) modellen, zoals Variational Autoencoders (VAEs) en Generative Adversarial Networks (GANs), succesvol zijn ingezet, hebben ze beperkingen:

• VAEs: Beperkte conditionele generatiemogelijkheden en moeite met het nauwkeurig controleren van complexe ontwerpdoelen.
• GANs: Onstabiele trainingsdynamiek, "mode collapse" (beperkte diversiteit in ontwerpen) en gebrek aan expliciete fysieke constraints.
• Data-gedreven Diffusiemodellen: Hoewel diffusiemodellen (zoals DDPM) stabielere training en hogere kwaliteit genereren bieden, zijn ze puur datagedreven. Ze leren de correlatie tussen input (spectrum) en output (structuur) uit data, maar begrijpen de onderliggende fysica (Maxwell's vergelijkingen) niet intrinsiek. Dit leidt tot onnauwkeurigheden, vooral bij randvoorwaarden en resonantiecondities, en beperkt de generalisatie naar ontwerpen die buiten de trainingsverdeling liggen (out-of-distribution).

Methodologie: MxDiffusion Framework

De auteurs introduceren MxDiffusion, een hybride framework dat data-gedreven diffusiemodellen combineert met fysica-gedreven beperkingen. Het kernidee is het integreren van de Maxwell-vergelijkingen direct in het trainingsproces om fysieke consistentie te garanderen.

Het framework werkt in twee fasen (een tweestaps-strategie):

1. Fase 1: Voorspelling van het Elektrisch Veld (Physics-Aware Stage)

   • In plaats van direct van een spectrum naar een geometrie te gaan, voorspelt het eerste diffusiemodel eerst de tweedimensionale verdeling van het elektrische veld ($E_z$) die hoort bij het gewenste optische spectrum.
   • Maxwell's Loss: Naast de standaard "Denoising Diffusion Probabilistic Models" (DDPM) loss (die de ruisvoorspelling minimaliseert), wordt een Maxwell's loss toegevoegd. Deze loss berekent de residual van de curl-curl golfvergelijking in het frequentiedomein:
     $$\nabla \times (\mu_0^{-1} \nabla \times E) - \omega^2 \varepsilon_r E = 0$$
   • De loss wordt berekend op de gereconstrueerde elektrische velden tijdens de training. Dit dwingt het model om alleen fysiek realiseerbare veldpatronen te genereren.
   • Voordeel: Elektrische velden vertonen gladdere ruimtelijke variaties dan scherpe geometrische randen, wat het leerproces stabiliseert.

2. Fase 2: Generatie van de Structurele Geometrie

   • Een tweede diffusiemodel genereert de uiteindelijke binair structuurpatroon (bijv. goudpatroon op silica).
   • De conditionele input voor dit model bestaat uit zowel het doel-spectrum als het voorspelde elektrische veld uit Fase 1.
   • Omdat het elektrische veld sterk correleert met de onderliggende geometrie, is deze stap relatief eenvoudig voor het model.

Trainingsstrategie:

• De Maxwell's loss wordt alleen toegepast op kleine tijdstappen ($t < 100$) tijdens de training, waar de gereconstrueerde velden nog fysiek betekenisvol zijn. Bij grote tijdstappen is de ruis te groot voor betrouwbare fysieke berekeningen.
• Het model gebruikt een U-Net architectuur met Feature-wise Linear Modulation (FiLM) voor conditionering.

Belangrijkste Bijdragen

1. Fysica-intrinsieke Diffusiemodellen: De eerste toepassing waarbij Maxwell's vergelijkingen expliciet worden geïntegreerd als een verliesfunctie binnen een diffusiemodel voor inverse ontwerp, zonder real-time simulaties tijdens het generatieproces (sampling).
2. Tweestaps-strategie met Elektrisch Veld: Het introduceren van het elektrische veld als een tussenliggende, fysiek consistente representatie die de complexiteit van het inverse probleem reduceert.
3. Superieure Generalisatie: Het vermogen om ontwerpen te genereren die buiten de trainingsverdeling liggen (out-of-distribution), waar puur datagedreven modellen vaak falen.
4. Efficiëntie: Het framework vereist geen dure adjoint-optimatie of real-time simulaties tijdens het genereren van nieuwe ontwerpen; de kosten zijn vergelijkbaar met standaard datagedreven diffusiemodellen.

Resultaten

De prestaties van MxDiffusion werden gevalideerd op twee toepassingen:

1. Goud-nanostructuren op Silica:

   • Doel: Het genereren van willekeurige transmissiespectra.
   • Resultaat: MxDiffusion presteerde significant beter dan een puur datagedreven diffusiemodel, vooral in de resonantiegebieden. De structuurgrenzen waren scherper en nauwkeuriger, wat leidde tot een lagere Mean Absolute Error (MAE) tussen het doel- en het gesimuleerde spectrum.
   • Out-of-Distribution: Voor ongeziene doelspectra (zoals ideale long-pass, short-pass, notch en bandpass filters) slaagde MxDiffusion erin de correcte afsnijfrequenties en resonantiegolflengten te reproduceren, terwijl het datagedreven model grote afwijkingen vertoonde.

2. Tunbare Bandpass-filter met Faseveranderend Materiaal (GSST):

   • Doel: Het maximaliseren van de spectrale verschuiving (tunability) tussen de amorfe en kristallijne fase van Ge-Sb-Se-Te (GSST).
   • Resultaat: Het beste ontwerp in de trainingsdataset had een tunability van 0,97 µm. MxDiffusion slaagde erin een nieuw ontwerp te genereren met een tunability van 1,04 µm, wat een verbetering is van 70 nm ten opzichte van het beste bestaande voorbeeld.
   • Vergelijking: Het puur datagedreven model kon de prestaties van het trainingsdataset niet overtreffen, terwijl MxDiffusion succesvol extrapoleerde naar nieuwe, betere ontwerpen.

Betekenis en Conclusie

MxDiffusion vertegenwoordigt een paradigmaverschuiving in het inverse ontwerp van fotonische structuren. Door fysieke wetten (Maxwell's vergelijkingen) direct in het leerproces te embedden, overwint het de beperkingen van "black-box" datagedreven modellen.

• Robuustheid: Het model is minder gevoelig voor mode collapse en genereert fysiek plausibele ontwerpen.
• Generalisatie: Het kan ontwerpen creëren die niet in de trainingsdata voorkwamen, wat essentieel is voor het ontdekken van nieuwe materialen en structuren.
• Toepasbaarheid: Hoewel dit werk zich richt op 2D patronen, is de methologie direct uitbreidbaar naar 3D inverse ontwerpproblemen en andere fotonische taken (zoals fotonic crystals), aangezien Maxwell's vergelijkingen universeel zijn.

De studie bewijst dat het combineren van de kracht van generatieve AI met fundamentele natuurkunde leidt tot superieure ontwerpprestaties, snellere convergentie en de mogelijkheid om de grenzen van het bestaande ontwerpruimte te verleggen.