光の設計を10倍加速。物理法則を学習した「スーパーブレイン」が切り拓くナノフォトニクスの新境地
チャルマース工科大学の研究チームは、物理法則を直接組み込んだ機械学習システム「QNM-Net」を開発した。電磁気学の基礎方程式を学習済みのAIは、従来数ヶ月を要したナノ構造の設計プロセスを数日へと劇的に短縮し、次世代の光制御技術を加速させる。
2026年6月6日
https://xenospectrum.com/physics-informed-ai-accelerates-nanophotonics-design/
このアプローチの核心は、「擬似基準モード（Quasinormal Modes: QNM）」の理論にある。光が物質にぶつかって散乱する際の複雑な応答を、研究チームは「鐘の音」に例えられる共鳴モードの足し合わせとして分解した。外部へエネルギーが逃げていく（音が減衰していく）開放系において、光がどのように閉じ込められ、そして漏れ出していくのか。QNM展開という理論を用いることで、システムはエネルギー保存則を満たす厳密な計算式の上で予測を行うことができる。
通常のニューラルネットワークが意味のある予測精度に到達するためには、数千から数万の訓練サンプルが必要だった。しかしQNM-Netは、全体のわずか2%にあたる160個のデータサンプルを学習しただけで、平均二乗誤差が10のマイナス3乗を下回る極めて高い精度を叩き出した。
このデータ効率の向上は、研究開発のタイムラインを根本から書き換える。これまでニューラルネットワークの訓練用データを生成するだけで30日を要していたプロセスが、わずか3日へと短縮されたのである。そして一度訓練を終えたネットワークは、未知の構造を入力されても、その光学的特性をわずか1ミリ秒で正確に予測する。
特定の周波数の光だけを強く反射させたい、あるいは特定の波長で光を特定の方向に曲げたいという目的があるとする。QNM-Netを用いた最適化プロセスでは、AIが予測した物理パラメータと目的値との差を最小化するように、自動微分を用いて設計を逆算していく。
• QNM-Netを用いた「逆設計（Inverse design）」の成果。所望の光学的特性（固有振動数と損失率）を指定すると、AIがその条件を満たすフォトニック結晶の厚みや穴の配置を逆算する。数百回の最適化ステップがわずか1秒未満で完了し、AIの予測（青線）と従来の厳密なフルウェーブシミュレーション結果（黒線）が極めて高い精度で一致している。(Credit: Viktor A. Lilja, Albin J. Svärdsby, Timo Gahlmann, Philippe Tassin,
この逆算プロセスに要する時間は1秒未満である。これまで数百回、数千回の重いシミュレーションを繰り返してようやく辿り着いていた最適解に、人間が瞬きをする間に到達する。物理モデルが内包されているため、最適化アルゴリズムが非物理的な「幻の解」に迷い込むリスクも極めて低い。
この技術は単純な幾何学模様にしか通用しないわけではない。研究チームはさらに複雑な「自由造形誘電体メタサーフェス（Free-form Dielectric Metasurface）」の設計にもQNM-Netを適用した。これは100×100のグリッド状のピクセルで表現され、直感的な対称性を持たない極めて複雑な迷路のような構造である。
膨大な設計空間を持ち、複数の共鳴が重なり合うこのシステムにおいても、QNM-Netは高い適応力を示した。データセットのサイズを従来のモデルと比較して約3分の1に抑えながら、同等の予測精度を達成したのである。興味深いことに、AIは散乱スペクトルに寄与しない「不要な共鳴モード」を自ら判断し、モデルの枠外へと自動的に排除する挙動を見せた。人間が手作業でフィルタリングしなければならない複雑なモードの取捨選択を、AIが物理法則に基づいて自律的に行っているのである。
さらに、この技術は私たちの日常生活のデバイスにも直結する。スマートフォンのカメラレンズはこれ以上薄くできない物理的な限界に近づきつつあるが、ナノフォトニクスによるフラットな「メタレンズ」が実用化されれば、カメラの出っ張りは過去のものとなる。同様に、現在のかさばるVR/ARヘッドセットは、普通のメガネと変わらない薄さと軽さを持つようになるだろう。QNM-Netは、これらの次世代光学デバイスを市場に送り出すための「設計の高速道路」となる。