PIC2O-Sim: A Physics-Inspired Causality-Aware Dynamic Convolutional Neural Operator for Ultra-Fast Photonic Device FDTD Simulation

有限差分时域（FDTD）方法在光子硬件设计流程中非常重要，被广泛应用于求解时域麦克斯韦方程。然而，FDTD因其高昂的运行成本而闻名，模拟单个设备需要花费几分钟到几个小时的时间。最近，人工智能已被应用于偏微分方程（PDE）求解，实现了数量级的加速。然而，基于人工智能的FDTD求解器尚未被清晰地阐述。直接应用现成的模型来预测光场动态表现出不令人满意的保真度和效率，因为模型原语对麦克斯韦方程的独特物理属性视而不见，缺乏算法自定义。在本研究中，我们深入探讨了神经算子设计与麦克斯韦方程物理特性之间的协同作用，并引入了一种受物理启发的基于人工智能的FDTD预测框架PIC2O-Sim，其特点是具有因果感知的动态卷积神经算子作为其骨干模型，通过仔细的感受野配置尊重时空因果约束，并通过高效的动态卷积算子显式捕获介电常数相关的光传播行为。同时，我们通过分阶段分区时间捆绑技术在自回归预测中探索了预测可扩展性、保真度和效率之间的权衡。在自回归场预测过程中，引入了多个关键技术来减轻迭代误差积累，同时保持效率优势。在三个具有挑战性的光子器件模拟任务上进行了广泛评估，证明了我们的PIC2O-Sim方法的优越性，表现出51.2％的较低滚动预测误差，比最先进的神经算子少23.5倍的参数数量，提供比开源FDTD数值求解器高300-600倍的模拟速度。

论文旨在解决FDTD方法在光子硬件设计中的高运行成本问题，提出一种基于物理启发的AI FDTD预测框架PIC2O-Sim，通过神经算子设计与Maxwell方程的物理特性相结合，实现高效、准确的光子器件模拟。

论文提出了一种基于物理启发的AI FDTD预测框架PIC2O-Sim，采用动态卷积神经算子来捕捉光传播行为，通过多阶段分时绑定技术实现预测的可扩展性、准确性和高效性。

论文通过实验验证了PIC2O-Sim方法的优越性，包括51.2%较低的预测误差、23.5倍少的参数数量、比开源FDTD数值求解器提供300-600倍更高的模拟速度等。论文使用了三个具有挑战性的光子器件模拟任务进行评估，并提出了多个关键技术来缓解迭代误差积累并保持高效优势。

近期在该领域的相关研究包括：'Accelerating FDTD with Deep Learning Enabled Sparse Tensor Compression'、'Physics-Informed Machine Learning for Predictive Modeling of Single- and Multiphase Flow in Porous Media: A Review and Comparative Study'等。