픽셀에서 PCell로: 신경 기호 접근 방식을 통한 광학 부품 생성

From Pixels to PCells: A Neurosymbolic Approach to Photonic Component Creation

본 논문에서는 PixCell이라는 신경 기호 시스템을 소개합니다. 이 시스템에서 멀티모달 에이전트는 시각적으로 제시된 광학 부품을, 특정 도메인에 특화된 기하학적 기본 요소들의 작은 DSL(도메인 특화 언어) 기반의 매개변수 프로그램으로 변환합니다. 이 시스템은 결정적인 시각적 검증 기능을 제공하며, 이를 통해 평가 비용이 생성 시도의 비용보다 훨씬 저렴해집니다. 멀티 시드 샘플링 및 반복 수정 방법을 사용하는 모델들은 평균 최고 IoU 값이 0.416에 불과한 반면, PixCell 인터페이스와 검증기를 사용하는 멀티모달 에이전트들은 지속적으로 0.9 이상의 평균 IoU 값을 달성하며, 8개의 부품 대상에서 각각 0.974 및 0.955의 높은 점수를 기록하고, 동시에 소스 계약을 만족합니다. 이러한 결과는 최첨단 멀티모달 에이전트가 시각적 대상을 기반으로 실행 가능한 매개변수 표현을 안정적으로 이해하고 생성할 수 있음을 보여줍니다. 이러한 실시간 매개변수를 사용하여 간섭계에 대한 다양한 스택 연구를 진행한 결과, 8.0 nm의 자유 분광 범위 목표와 모델링된 220 nm SOI, 400 nm SiN 및 400 nm TFLN 스택에서의 원래 크기 제약을 만족하는 기본 프로그램을 재구성할 수 있었습니다. PixCell은 또한 시각적 복원을 통해 얻은 분리기를, SOI 전체 파장 시뮬레이션을 통해 구현하여 대칭적인 전파와 균형 잡힌 출력을 생성합니다. 마지막으로, 동일한 실행 가능한 검증기는 Qwen3.6-35B-A3B 모델을 LoRA 및 GRPO를 사용하여 지도 학습 없이 훈련시키는 데 사용되는 보상 신호와 데이터 세트를 제공합니다. 8개의 훈련에서 제외된 그림에 대해, 평균 최고 IoU 값이 초기 8번의 시도에서는 0.422였지만, 검증기 기반의 3번의 수정 단계를 거치면서 0.491로 상승했습니다. 따라서 이러한 결과는 시각적-매개변수 광학 부품 설계를 측정하고, 재조정하며, 개선하기 위한 제어된 프레임워크를 구축하는 데 기여합니다.

We present PixCell, a neurosymbolic system in which multimodal agents convert a visually presented photonic component into a parametric program over a small domain-specific language (DSL) of geometric primitives. A system enabling deterministic visual verification renders evaluation asymmetrically cheaper than the generation attempt. While models using multi-seed sampling and iterative revision reach a mean best-turn IoU of only 0.416, multimodal agents through PixCell's interface and verifier consistently exceed 0.9 mean IoU, with scores reaching 0.974 and 0.955 across eight component targets while also satisfying source contracts. These results demonstrate that frontier multimodal agents can reliably understand and render executable parametric representations from visual targets. Using these live parameters, cross-stack studies on an interferometer reconstruct primitive programs that satisfy an 8.0 nm free spectral range target and the original footprint constraint on modeled 220-nm SOI, 400-nm SiN, and 400-nm TFLN stacks. PixCell further carries a paper-derived splitter from visual reconstruction through SOI full-wave simulation, producing symmetric propagation and balanced outputs. Finally, the same executable verifier supplies a training reward and dataset used to train a Qwen3.6-35B-A3B model with LoRA and GRPO without supervised demonstrations. On eight training-excluded paper figures, its mean champion IoU rises from 0.422 after eight initial attempts to 0.491 after three verifier-guided revision rounds. These results therefore establish a controlled framework for measuring, retargeting, and improving visual-to-parametric photonic component design.