用于解决AlGaN深紫外（DUV）激光二极管数据稀缺问题的生成模型：一项开创性的研究

《Journal of Computational Electronics》：Generative models for data-scarcity challenges in AlGaN DUV laser diodes: a first-of-its-kind study

本研究提出基于CGAN、TVAE等四类生成模型的自增强数据合成策略，有效缓解AlGaN基深紫外激光二极管设计中的数据稀缺问题。通过光学功率评估指标，CGAN在数据保真度(r=0.0202)上最优，TVAE在模型实用性(MAE=0.73)上表现最佳，并验证了混合数据集的增强效果。

　　

摘要

机器学习（ML）在优化光子器件建模方面发挥着越来越重要的作用。基于AlGaN的深紫外（DUV）激光二极管（LDs）已成为一类关键的光子器件，其应用范围从消毒到光通信都非常广泛。虽然ML模型为这些器件的设计提供了强大的解决方案，但这些模型的有效性在很大程度上取决于可用数据的质量和数量。对于DUV LDs而言，由于数值模拟和器件制造的复杂性、高成本以及巨大的计算需求，获取高质量的数据集具有挑战性。为了解决这些挑战，提出了一种自增强策略，该策略利用了四种生成模型：条件生成对抗网络（CGAN）、表格变分自编码器（TVAE）、贝叶斯网络和高斯copula，从有限的样本中合成数据。光功率被用作评估模型性能的主要参数。我们分别使用平均绝对相关系数（r）和平均绝对误差（MAE）来评估生成数据集的保真度和实用性，并在多种数据增强场景下评估其鲁棒性。在测试的模型中，CGAN实现了最高的数据保真度，其r值为0.0202，与实际数据（r = 0.0266）非常接近。TVAE则提供了最佳的模型实用性，将MAE降低了8%，降至0.73，且在所有增强场景下均表现出稳定的性能。我们使用五层深度神经网络（DNN）对实际数据集和增强数据集的混合数据集进行模型实用性评估。我们认为，所提出的框架提供了一种可扩展且适应性强的方法，能够加速下一代DUV LDs的设计，同时支持循环内数据增强以应对数据稀缺的问题。这项工作是该领域的首次全面研究。

机器学习（ML）在优化光子器件建模方面发挥着越来越重要的作用。基于AlGaN的深紫外（DUV）激光二极管（LDs）已成为一类关键的光子器件，其应用范围从消毒到光通信都非常广泛。虽然ML模型为这些器件的设计提供了强大的解决方案，但这些模型的有效性在很大程度上取决于可用数据的质量和数量。对于DUV LDs而言，由于数值模拟和器件制造的复杂性、高成本以及巨大的计算需求，获取高质量的数据集具有挑战性。为了解决这些挑战，提出了一种自增强策略，该策略利用了四种生成模型：条件生成对抗网络（CGAN）、表格变分自编码器（TVAE）、贝叶斯网络和高斯copula，从有限的样本中合成数据。光功率被用作评估模型性能的主要参数。我们分别使用平均绝对相关系数（r）和平均绝对误差（MAE）来评估生成数据集的保真度和实用性，并在多种数据增强场景下评估其鲁棒性。在测试的模型中，CGAN实现了最高的数据保真度，其r值为0.0202，与实际数据（r = 0.0266）非常接近。TVAE则提供了最佳的模型实用性，将MAE降低了8%，降至0.73，并且在所有增强场景下均表现出稳定的性能。我们使用五层深度神经网络（DNN）对实际数据集和增强数据集的混合数据集进行模型实用性评估。我们认为，所提出的框架提供了一种可扩展且适应性强的方法，能够加速下一代DUV LDs的设计，同时支持循环内数据增强以应对数据稀缺的问题。这项工作是该领域的首次全面研究。