Исследователи подтвердили эффективность математического метода Tensor Train для проектирования метаповерхностей и сложных периодических структур в оптике. Этот инструмент, созданный более 15 лет назад, теперь получил второе дыхание — он позволяет работать с гигантскими матрицами, сокращая объем данных без потери точности. Благодаря этому ускоряется разработка оптических вычислительных систем и нейросетей, где критически важны точные расчеты параметров. Результаты работы, выполненной при поддержке Российского научного фонда (РНФ), открывают путь к созданию прорывных технологий в области фотоники.
Современная оптика — от космических телескопов до сверхбыстрых процессоров — relies на уникальных свойствах периодических структур. Дифракционные решетки с их ритмичным чередованием элементов и метаповерхности с наноразмерными метаатомами позволяют управлять световыми волнами на принципиально новом уровне. Однако проектирование таких систем всегда требовало колоссальных вычислительных ресурсов, ведь каждый элемент влияет на электромагнитные характеристики всего устройства.
Прорыв совершили специалисты Университета ИТМО (Санкт-Петербург), доказавшие, что задачи моделирования можно решать с помощью алгоритмов сверхнизкой сложности. Ключом стал метод Tensor Train, который преобразует громоздкие матрицы в компактные «свертки» данных. Теперь вместо миллионов параметров достаточно оперировать их логичными приближениями, сохраняя при этом физическую достоверность моделей.
«Представьте, что вы архивируете сложный чертеж, оставляя только самое важное, — объясняет суть подхода руководитель проекта Алексей Щербаков. — Tensor Train находит избыточность в данных и создает «облегченную» версию матриц. Это как волшебный уменьшитель, открывающий возможности для расчетов, которые раньше казались фантастикой».
Метод, разработанный российским математиком Иваном Оселедецом, впервые адаптирован для оптического моделирования. С его помощью ученые успешно рассчитали характеристики многомасштабных метаповерхностей, применяемых в преобразовании излучения. Технология уже демонстрирует потенциал в создании фотолитографических масок, дифракционных элементов нового поколения и компонентов для оптических нейросетей.
«Внедрение Tensor Train в инженерное ПО — это шаг к технологическому суверенитету, — подчеркивает Щербаков. — Мы активно сотрудничаем с отечественными разработчиками, чтобы наши алгоритмы стали рабочим инструментом для промышленности. Особенно перспективно их применение в проектировании полностью оптических процессоров, где скорость расчетов определяет успех всего проекта».
Новый подход не только экономит вычислительные ресурсы, но и вдохновляет на смелые эксперименты. Исследователи уверены: эра компактных и эффективных метаматериалов, созданных с помощью «умного» моделирования, уже наступает.
Источник: indicator.ru
