量子科技中心_量科网

随着逆向设计方法的采用，光子芯片设计在优化器件性能方面取得了显著进展，提供了灵活性和效率。然而，优化方法的“黑箱”特性，例如在逆向设计中用于最小化损失函数或最大化耦合效率的方法，给理解输出结果带来了挑战。这一挑战在基于机器学习的优化方法中尤为普遍，这些方法同样缺乏透明度。为此，可解释性技术解决了优化模型的不透明性问题。在该工作中，研究团队应用了机器学习中的可解释性技术，旨在理解用于设计光子组件（特别是双模复用器）的逆向设计优化。该团队的方法基于广泛使用的可解释性技术，即局部可解释模型无关解释（LIME）。结果表明，基于LIME的见解为研究团队提供了更有效的初始条件，直接提升了器件性能。这证明可解释性方法不仅能解释模型，还能积极引导和增强逆向设计的光子组件。该工作的结果展示了可解释技术在揭示逆向设计过程中潜在模式方面的能力，从而推动了性能更优组件的开发。