2. 硅光逆向设计数学基础

硅光逆向设计之所以能从“凭经验调参”走向“由目标反推结构”，关键在于把器件设计问题严格写成一个电磁场优化问题。只有先把物理量、设计变量、目标与约束用统一的数学语言表述清楚，后续选择算法、计算梯度、判断收敛才有依据。本节围绕这一表述展开，并概览梯度类与非梯度类算法，最后落到伴随变量法的核心思想。

一、把器件设计写成电磁场优化问题

硅光器件的物理行为由麦克斯韦方程组支配。在频域、无源、非磁性介质中，电场 E 满足波动方程：

∇ × (1/μ₀ ∇ × E) − ω²ε₀ ε_r(r) E = −jω J_src

其中 ε_r(r) 是相对介电常数分布，在硅光器件中它由硅（ε_r≈12.1，对应 n≈3.48）与包层（SiO₂，ε_r≈2.1，对应 n≈1.45）的排布决定。逆向设计的本质，就是让 ε_r(r) 在给定设计区域内自由变化，使求解出的场满足我们期望的响应。

因此，一个完整的优化问题包含四个要素：设计变量、目标函数、约束条件、求解器。设计变量通常取设计区域内每个网格点的材料密度 ρ(r)∈[0,1]，再通过插值映射为 ε_r(r)=ε_clad+ρ(r)(ε_Si−ε_clad)。目标函数则把“想要的效果”量化为一个标量，例如波导模式转换器要求目标模式透过率最大：

max  F = |⟨E_target, E⟩|² / (‖E_target‖²‖E‖²)

约束条件既包括物理约束（满足麦克斯韦方程），也包括工程约束：最小特征尺寸（保证可制造）、二值化程度（避免中间折射率）、设计区域边界、对称性等。物理约束一般通过求解器隐式满足，工程约束则以罚项或投影方式加入。

二、目标函数与约束条件的构造

目标函数的设计直接决定优化结果。常见形式有三类：一是模式匹配型，用重叠积分衡量输出场与目标场的相似度，适合模式转换器、耦合器；二是传输效率型，用指定端口功率与输入功率之比，适合波导弯曲、分束器；三是多目标加权型，把带宽内多个频点的响应加权求和，例如：

F = Σ_k w_k · T(λ_k) − γ · P_penalty(ρ)

其中 w_k 为频点权重，P_penalty 为制造约束罚项，γ 为罚因子。约束条件若用罚函数处理，需注意罚因子过大会导致梯度病态，过小则约束失效，通常从较小值逐步增大。

值得强调的是，目标函数必须可微或至少可评估。梯度类算法要求 F 对 ρ 可导，因此重叠积分、功率比等光滑形式更受青睐；而最小特征尺寸这类非光滑约束，常通过形态学滤波或密度滤波转化为光滑操作后再求导。

三、梯度类与非梯度类算法概览

优化算法大致分为两类。梯度类算法利用 ∂F/∂ρ 指引搜索方向，包括最速下降、共轭梯度、L-BFGS、以及带约束的 SLSQP 等。它们收敛快、适合设计变量成千上万的高维问题，但容易陷入局部极值，且依赖梯度计算。非梯度类算法只利用目标函数值，包括遗传算法、粒子群、模拟退火、拓扑优化中的水平集方法等。它们全局搜索能力强、对目标函数光滑性要求低，但计算量随变量维度急剧上升，通常只用于低维参数化问题或作为梯度优化的初始化。

在硅光逆向设计中，主流做法是梯度类为主、非梯度类为辅：先用遗传算法或随机初始化获得较优初值，再用 L-BFGS 精细收敛。这样既避免陷入明显劣质局部解，又保证高维搜索效率。

四、伴随变量法的核心思想

高维优化的瓶颈在于梯度计算。若用有限差分，每个设计变量都要扰动一次并重新求解，N 个变量需 N+1 次电磁仿真，对 N=10⁴ 的网格几乎不可行。伴随变量法通过引入一个伴随场 λ，把梯度计算量降到与变量数无关。

其推导思路是：目标函数 F 通过场 E 间接依赖 ρ，由链式法则 ∂F/∂ρ = ∂F/∂E · ∂E/∂ρ。直接求 ∂E/∂ρ 需要解 N 次方程。伴随法改为构造拉格朗日量 L = F + λᵀ(A E − b)，其中 A E = b 是离散化的麦克斯韦方程。令 L 对 E 的偏导为零，得到伴随方程 Aᵀλ = −∂F/∂E。解出 λ 后，梯度可写成只含 E 与 λ 的显式表达式：

∂F/∂ρ_i = Re[ λᵀ (∂A/∂ρ_i) E ]

由于 ∂A/∂ρ_i 通常只在第 i 个网格点非零，该式可逐点快速计算。整个过程只需一次前向求解得到 E、一次伴随求解得到 λ，即可获得全部 N 个梯度分量。这正是伴随法在硅光逆向设计中成为标准工具的原因。