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

Resumo Técnico: Correspondência de Fluxo Baseada em Física para Predição de Campo Completo de Dispositivos Fotônicos de Silício

Declaração do Problema
O projeto de circuitos fotônicos integrados (PICs) depende fortemente de simulações eletromagnéticas de onda completa precisas, tipicamente realizadas usando solucionadores de Domínio do Tempo com Diferenças Finitas (FDTD). Embora o FDTD forneça alta fidelidade, é computacionalmente caro, criando um gargalo para varreduras de parâmetros e loops de projeto inverso baseados em gradiente. Surrogados de aprendizado de máquina existentes frequentemente falham em prever soluções complexas de campo completo (preservando tanto amplitude quanto fase) ou carecem de generalização entre diversas famílias de dispositivos. Além disso, muitos modelos não impõem estritamente as leis físicas, potencialmente gerando soluções que parecem plausíveis, mas violam a equação de onda subjacente.

Metodologia
Os autores propõem o PIC-Flow, um substituto neural generativo projetado para prever a distribuição do campo elétrico complexo ($E_z$) de dispositivos fotônicos de silício dada sua geometria (mapa de permissividade), excitação da fonte e comprimento de onda de operação. A abordagem integra três componentes principais:

1. Correspondência de Fluxo Condicional: Em vez de modelos de difusão, o framework utiliza correspondência de fluxo para aprender um campo de velocidade dependente do tempo $u_\theta(x_t, t)$. Este campo transporta amostras de um prior simples de ruído gaussiano ($t=0$) para a distribuição de soluções de campo eletromagnético fisicamente válidas ($t=1$). O modelo é condicionado à permissividade do dispositivo $\varepsilon$, à máscara de fonte $m_{src}$ e ao comprimento de onda $\lambda$.
2. Arquitetura: Uma U-Net de valor real (63,3M de parâmetros) processa as partes real e imaginária do campo como canais separados. A rede emprega blocos residuais, atenção auto-referencial multi-cabeça em fatores de subamostragem específicos e Modulação Linear Específica por Característica (FiLM) para condicionar a rede ao passo de tempo e ao comprimento de onda.
3. Treinamento Restrito por Física: O objetivo de treinamento combina a perda padrão de correspondência de fluxo com dois termos conscientes da física:
   • Perda de Fase: Penaliza a discordância de fase entre os campos previstos e os de referência (ground-truth), ponderada pela amplitude do campo.
   • Perda de Resíduo de Helmholtz Mascarada: Impõe a equação escalar de Helmholtz ($\nabla^2 E_z + k_0^2 \varepsilon E_z = 0$). Crucialmente, os autores introduzem um esquema de mascaramento consciente de interface que exclui pixels nas fronteiras dielétricas (onde erros de estêncil de diferenças finitas dominam), Camadas Perfeitamente Casadas (PML) e regiões de fonte. Isso produz uma "métrica de conformidade fisicamente significativa" ($\rho_R$) que mede o resíduo RMS relativo ao termo de acionamento local, evitando penalidades espúrias em interfaces abruptas.

Principais Contribuições
O artigo faz quatro contribuições primárias:

1. Um Substituto de Correspondência de Fluxo: Um modelo que prevê o campo complexo $E_z$ de dispositivos fotônicos de silício parametrizados condicionado à geometria e ao comprimento de onda.
2. Perda de Física Mascarada: Uma nova perda de resíduo de Helmholtz que exclui pixels de fronteira e de fonte, definindo uma métrica de conformidade robusta, por amostra ($\rho_R$), que é independente do espaçamento da grade e da amplitude do campo.
3. Ablação e Avaliação Comparativa: Uma avaliação mostrando que combinar correspondência de fluxo com perdas de fase e de Helmholtz melhora a conformidade à equação de onda sem sacrificar a qualidade de reconstrução. Os autores fornecem uma avaliação comparativa de tempo real contra FDTD em CPU multithread no mesmo nó de computação.
4. Evidência de Generalização: Demonstração de que o modelo, treinado em interferômetros multimodo (MMIs), ramificações Y e acopladores direcionais, generaliza para classes de dispositivos mantidas de fora (curvas S, afunilamentos e ramificações Y em cascata) não presentes nos dados de treinamento.

Resultados
O modelo foi treinado em 22.500 simulações FDTD de referência (divisão 80/10/10) cobrindo três famílias de dispositivos em $\lambda = 1,55$ µm.

• Precisão: A configuração "FM + fase + resíduo" alcançou uma razão de resíduo p95 no pior caso de 2,22 (relativa ao erro de discretização do FDTD) e uma razão de resíduo média de 1,34. A conformidade por amostra $\rho_R$ para dispositivos dentro da distribuição variou de 2,2% a 2,7%, significativamente maior que o piso de discretização do FDTD (<0,1%), mas visualmente indistinguível da referência.
• Generalização: Em geometrias fora da distribuição (OOD), o modelo manteve conformidade razoável. Afunilamentos e ramificações Y em cascata mostraram valores de $\rho_R$ de 3,6–9,1%. Uma curva S agressiva (fora das faixas de treinamento) atingiu $\rho_R \approx 12\%$, indicando uma violação de física reconhecível, mas moderada, em vez de falha catastrófica.
• Velocidade: O substituto oferece acelerações significativas sobre o FDTD em CPU de 16 threads. Com 100 passos de integração de Euler, é 2,6× mais rápido ($\rho_R = 1,9\%$). Reduzir os passos para 20 resulta em um aceleramento de 12,7× ($\rho_R = 3,0\%$), e 5 passos resultam em um aceleramento de 50,6× ($\rho_R = 5,5\%$).

Significado e Alegações
Os autores posicionam o PIC-Flow não como uma substituição direta para o FDTD, mas como uma fundação para exploração rápida do espaço de projeto. O trabalho estabelece que a correspondência de fluxo, quando aumentada com penalidades explícitas da equação de onda, pode gerar predições de campo completo consistentes com a física. Os autores afirmam que, com uma cobertura de dados mais ampla e otimização adicional (por exemplo, destilação para reduzir os passos de integração), esta abordagem poderia escalar para predição de campo de banda larga e independente de dispositivo. Isso permitiria aos projetistas reduzir rapidamente grandes espaços de parâmetros, reservando simulações FDTD custosas apenas para o ajuste fino final. O código, os pesos do modelo e o conjunto de dados são lançados como código aberto para facilitar a integração em fluxos de trabalho de projeto fotônico existentes.