PICasso: Искусственный интеллект превращает описания на естественном языке в кремниевые фотонные устройства
Новый инструмент PICasso демонстрирует, как структурированные ограничения и физическая верификация позволяют языковым моделям создавать рабочие макеты интегральных фотонных схем. Исследование, опубликованное в arXiv, показывает значительное снижение потерь сигнала и высокую удовлетворённость техническими требованиями по сравнению с базовым генеративным подходом.
# PICasso: От текста к кремнию с помощью структурированного ИИ
Разработка оптических чипов традиционно требовала глубоких знаний физики и часов ручной работы инженеров, использующих сложные графические интерфейсы. Новое исследование предлагает радикально иной путь: использование искусственного интеллекта для перевода текстовых требований непосредственно в готовые к производству макеты кремниевых фотонных устройств. Представленная платформа PICasso демонстрирует, что при правильных ограничениях нейросети способны выполнять задачи, ранее считавшиеся слишком сложными для автономного выполнения машинами.
Архитектура системы и проверка реальности
В основе системы PICasso лежит строгий конвейер обработки данных, который не позволяет моделям «галлюцинировать» и выдавать физически невозможные схемы. Процесс начинается с анализа спецификации на естественном языке. В отличие от попыток заставить большую языковую модель (LLM) генерировать код с нуля, PICasso направляет её по чётко определённой траектории: от текста к структурированному формату YAML, а затем к графическому описанию в формате GDS.
Критически важным элементом системы является «инъекция знаний, осведомлённых об инструментах для разработки продуктов (PDK)». Это означает, что модель обучается или получает в момент работы контекст конкретным физическим и технологическим ограничениям производства. Кроме того, система включает автоматическую расстановку компонентов и маршрутизацию соединений, а также обязательную валидацию по стандартам DRC (правил проектирования) и LVS (проверки соответствия схемы). Только после прохождения этих этапов макет отправляется на симуляцию с использованием физического движка SAX.
Такой подход трансформирует роль ИИ из «творца», который может ошибаться в фундаментальных законах физики, в «инженера», работающего в строго заданных рамках. Исследователи отмечают, что именно сочетание структурированных ограничений, физической верификации и обратной связи от симуляции превращает LLM из хрупкого генератора схем в практического агента проектирования.
PIC-Set: Новый стандарт оценки эффективности
Для доказательства эффективности нового подхода авторы исследования создали и представили открытую бенчмарк PIC-Set. Эта библиотека состоит из 36 параметризованных задач, покрывающих как базовые фотонные примитивы, так и сложные многосоставные цепи. Создание такой базы данных было необходимо для унификации тестирования различных моделей ИИ, позволяя сравнивать их не только по скорости генерации, но и по качеству физических характеристик.
В рамках испытаний PICasso оценивалась с использованием новых метрик, разработанных специально для этой области. Ключевым показателем стал $Spec@k$ — доля элементов схемы, удовлетворяющих спецификациям при заданном числе попыток проверки. Структурная спецификация (правильность соединений и геометрии) демонстрировала выдающиеся результаты, достигая 92,7% удовлетворённости даже на сложных схемах. Функциональная спецификация (рабочие характеристики), являющаяся более трудной задачей, также показала рост до 52%.
Особое внимание исследователи уделили устойчивости систем к внешним возмущениям. PICasso показал способность сохранять работоспособность в условиях, где стандартные модели ИИ часто терпели неудачу. Это свидетельствует о том, что внедрение симуляционных данных в цикл обучения и генерации делает модели гораздо менее «хрупкими» по сравнению с их аналогами, работающими исключительно на текстах.
Улучшение физических характеристик и практическая ценность
Главной практической целью разработки оптических чипов является минимизация потерь сигнала при его передаче. Стандартные языковые модели, обученные только на текстовых данных, не обладают интуитивным пониманием того, как геометрия волны влияет на затухание сигнала. PICasso решает эту проблему через процесс оптимизации, управляемый результатами симуляции.
Результаты тестов подтвердили значительное преимущество метода. Средняя вставка потерь (insertion loss) в схемах, созданных с помощью PICasso, снизилась со 4,98 дБ до 3,25 дБ. Это улучшение на 1,74 дБ является существенным для фотонных интегральных схем и свидетельствует о том, что ИИ научился не просто соединять компоненты, а оптимизировать их взаимодействие для сохранения энергии сигнала.
С точки зрения производительности, время выполнения задач PICasso является конкурентоспособным по сравнению с традиционными ручными workflows на основе GUI. Однако, в отличие от человека, система может обрабатывать итерации оптимизации без усталости и быстро находить компромиссные решения между conflicting требования. Это открывает путь к автоматизации проектирования, которая ранее была доступна лишь небольшим командам экспертов или требовала колоссальных затрат времени.
Наблюдая за развитием этой области, становится ясно: будущее фотонного дизайна не в замене инженеров алгоритмами, а в создании инструментов, которые берут на себя рутину проверки и перебора вариантов, оставляя человеку стратегическое видение. PICasso показывает, что мы стоим на пороге новой эры, где описательный язык становится интерфейсом для создания сложнейших физических систем. Это не просто технологический прорыв, но и сдвиг в парадигме взаимодействия человека и машины в науке о материалах и фотонике.