ترجمه فارسی مقاله عملگر عصبی درون‌یابی موج: پیش‌بینی درون‌یابی‌شده میدان‌های الکتریکی در طول موج‌های آموزش‌ندیده

چکیده

Designing photonic structures requires electromagnetic simulations, which often require high computational costs. Researchers have developed surrogate solvers for predicting electric fields to alleviate the computational issues. However, existing surrogate solvers are limited to performing inference at fixed simulation conditions and require retraining for different conditions. To address this, we propose Wave Interpolation Neural Operator (WINO), a novel surrogate solver enabling simulation condition interpolation across a continuous spectrum of broadband wavelengths. WINO introduces the Fourier Group Convolution Shuffling operator and a new conditioning method to efficiently predict electric fields from both trained and untrained wavelength data, achieving significant improvements in parameter efficiency and spectral interpolation performance. Our model demonstrates approximately 100 times faster performance than traditional finite-difference frequency-domain simulations. Moreover, compared to the state-of-the-art model, we achieve a 74% reduction in parameters and 80.5% improvements in prediction accuracy for untrained wavelengths, and 13.2% improvements for trained wavelengths.

چکیده به فارسی (ترجمه ماشینی)

طراحی ساختارهای فوتونی نیاز به شبیه سازی الکترومغناطیسی دارد که اغلب به هزینه های محاسباتی بالایی نیاز دارند.محققان برای پیش بینی زمینه های الکتریکی برای کاهش مسائل محاسباتی ، حل کننده های جانشین را توسعه داده اند.با این حال ، حل کننده های جانشین موجود محدود به انجام استنباط در شرایط شبیه سازی ثابت هستند و برای شرایط مختلف نیاز به آموزش مجدد دارند.برای پرداختن به این موضوع ، ما اپراتور عصبی درون یابی موج (WINO) را پیشنهاد می کنیم ، یک حل کننده جانشین جدید که باعث ایجاد شرایط شبیه سازی می شود در یک طیف مداوم از طول موجهای باند پهن.WINO اپراتور تغییر شکل گروه فوریه و یک روش تهویه مطبوع جدید را برای پیش بینی کارآمد زمینه های الکتریکی از داده های آموزش یافته و آموزش نشده به طول موج معرفی می کند و به پیشرفت های قابل توجهی در راندمان پارامتر و عملکرد درون یابی طیفی دست می یابد.مدل ما تقریباً 100 برابر عملکرد سریعتر از شبیه سازی های فرکانس دامنه با اختلاف محدود سنتی را نشان می دهد.علاوه بر این ، در مقایسه با مدل پیشرفته ، ما به کاهش 74 ٪ پارامترها و 80.5 ٪ پیشرفت در دقت پیش بینی برای طول موج های آموزش نیافته و پیشرفت های 13.2 ٪ برای طول موج های آموزش دیده می رسیم.