シリコンフォトニクスクラスター

世の中の多くのデバイスは、部材費、組立費、検査費と歩留りから構成されています。シリコンフォトニクスはシリコン半導体工場で光デバイスを製造することで低コスト化できる可能性を秘めています。ただ、世界を見渡してみても、これまでに大幅なコストダウンに成功したシリコンフォトニクスメーカはありません。

部材費を下げ、歩留りを向上させることはできても、組立費と検査費が依然大きな割合を占めているためです。これは光デバイスの組立や検査の際に、光を出し入れする光ファイバと光デバイスの精密な位置合わせ (アライメント) が欠かせないことに起因しています。組立でも検査でもアライメント時間はそのまま組立・検査のコストとして反映されます。逆に考えるとアライメント時間を大幅に短縮することができれば，組立・検査コストを削減することが可能です。

精密なアライメントが必要となる理由は、光ファイバと光デバイスの位置関係を常にベストコンディションに保つことで、再現性を保証しているためです．これは検査工程にとって重要な考え方ですが、ベストなコンディションでなくても高い再現性を保証することができれば，時間がかかる精密なアライメントは不要になると考えることもできます。

光デバイスを少し工夫すると，光デバイス内部で光の経路を比較的容易に切り替えることができます。この経路切り替え機能を使うことでアライメント時間を削減しながら光デバイスを検査することが可能になります。これまでにこの手法の有効性を原理的に確認してきました。今は実際の光デバイス製造現場で有効性を確認する段階に来ています。

シリコンフォトニクスは大きな可能性を秘めているので、多くの企業で精力的に実用化が進められていますし、今でも多くの学術機関で研究テーマとして取り上げ、更なる可能性を追求しています。ただ、情報工学の観点から研究開発に取り組んでいる例は少ないようです。

昨今話題の生成AIは、膨大な量のデータを事前に学習した人工知能をもとにしています。生成AIは、Webページの情報や各種出版物の情報など、我々が日常生活で触れることができる情報を学習しているので、日々必要とするデータを新たに生成することは得意です。一方で、専門的な分野の情報生成は未だ苦手で、更なる研究開発が必要です。

シリコンフォトニクスをはじめとする光デバイス分野では、実際にモノを作る前にシミュレーション計算をして設計図面を作ります。熟練した設計者はシミュレーションで調整すべき設計項目を予測しながら設計を進めます。この過程は生成AIが使っている大規模言語モデルになぞらえることができます。数多くのシミュレーション結果を十分に学習していれば、未知のシミュレーション結果を精度良く予測することができると考えられます。サロゲートモデルという考え方で、急速に研究開発が進んでいます。

シリコンフォトニクスデバイスの設計に必要となるシミュレーションを効率的に行うために、大規模言語モデルが持つ可能性を引き出すことを目指しています。

情報工学の中で、画像処理は大きな技術分野です。今やソーシャルメディアなどで飛び交うデータは、文章や音声よりも、画像や映像が大きなボリュームを占めますし、その傾向は益々強くなるでしょう。

画像処理技術としては画像認識が有名ですが、ほかにも多くの技術があり，その一つに超解像技術が挙げられます。不鮮明な画像を鮮明化する技術で、古くから様々な手法が検討されてきています。昨今は機械学習・人工知能を用いた超解像が注目されています。

デバイスの設計に必要なシミュレーションは、多くの場合，結果として画像を出力します。鮮明な画像を出力するシミュレーションは長い計算時間が必要ですが、不鮮明な画像を出力するシミュレーションは計算時間が短く済みます。その差は時に100倍以上になることもあります。

そこで我々は、短い時間で計算した不鮮明なシミュレーション画像を、超解像技術を活用して、鮮明な画像に再構成する研究を進めています。未だ基礎検討の段階ですが、いくつかの原理検証は完了しており、その有効性を確認しています。今後、実際のデバイス設計に応用するために詳細検討を進める予定です。