http://wuqq547.top/tags/inverse-design/Recent content in Inverse Design on wuqq 的 Bloghttp://wuqq547.top/cover.pnghttp://wuqq547.top/cover.pngHugo -- 0.147.4zh-cnThu, 02 Apr 2026 12:30:00 +0800http://wuqq547.top/posts/0028-deep-convolutional-mdn-photonic-structures/Thu, 02 Apr 2026 12:30:00 +0800http://wuqq547.top/posts/0028-deep-convolutional-mdn-photonic-structures/<h2 id="一文献核心概览-literature-core-overview">一、文献核心概览 (Literature Core Overview)</h2> <h3 id="11-基本信息-basic-information">1.1 基本信息 (Basic Information)</h3> <table> <thead> <tr> <th>项目</th> <th>内容</th> </tr> </thead> <tbody> <tr> <td><strong>标题</strong></td> <td>Deep Convolutional Mixture Density Network for Inverse Design of Layered Photonic Structures</td> </tr> <tr> <td><strong>中文标题</strong></td> <td>深度卷积混合密度网络用于层状光子结构的逆设计</td> </tr> <tr> <td><strong>作者</strong></td> <td>Rohit Unni, Kan Yao, Yuebing Zheng</td> </tr> <tr> <td><strong>机构</strong></td> <td>The University of Texas at Austin</td> </tr> <tr> <td><strong>期刊</strong></td> <td>ACS Photonics</td> </tr> <tr> <td><strong>年份/卷期</strong></td> <td>2020, 7, 2703−2712</td> </tr> <tr> <td><strong>接收/发表</strong></td> <td>2020-04-19 / 2020-09-07</td> </tr> <tr> <td><strong>DOI</strong></td> <td>10.1021/acsphotonics.0c00630</td> </tr> </tbody> </table> <h3 id="12-核心结论-core-conclusions">1.2 核心结论 (Core Conclusions)</h3> <ol> <li> <p><strong>方法创新</strong>: 首次将混合密度网络(MDN)应用于光子结构逆设计，将设计参数建模为多模态概率分布而非离散值，有效解决非唯一性问题。</p> </li> <li> <p><strong>非唯一性处理</strong>: 标准神经网络在存在多解时会收敛困难，而MDN能够捕捉所有退化解，通过概率分布的多个峰值表示不同候选方案。</p> </li> <li> <p><strong>复杂光谱建模</strong>: 在10层交替氧化物结构（SiO₂/TiO₂）的逆设计中，成功处理了具有尖锐峰谷的复杂透射光谱，并同时考虑入射角变化。</p> </li> <li> <p><strong>后处理优化</strong>: 提出基于概率分布采样的后处理方法，通过遍历设计向量和测试新猜测来优化设计，可使RMSE平均降低42%。</p> </li> <li> <p><strong>不确定性量化</strong>: 概率分布的形状提供了预测置信度的信息，这是确定性网络无法提供的，为设计优化和物理解释提供了新途径。</p> </li> </ol> <h3 id="13-核心价值-core-value">1.3 核心价值 (Core Value)</h3> <table> <thead> <tr> <th>维度</th> <th>价值体现</th> </tr> </thead> <tbody> <tr> <td><strong>方法学</strong></td> <td>开创性地将MDN引入光子学逆设计，为非唯一性问题和多解搜索提供了概率框架</td> </tr> <tr> <td><strong>技术优势</strong></td> <td>相比串联网络(Tandem Network)，MDN能够显式捕捉多个退化解，而非仅返回单一解</td> </tr> <tr> <td><strong>可解释性</strong></td> <td>概率分布提供了预测不确定性的量化指标，有助于理解模型置信度和设计-光谱关系</td> </tr> <tr> <td><strong>适用性</strong></td> <td>方法可扩展到具有高度简并性和光谱复杂性的各类光子结构，如一维光子晶体、超表面等</td> </tr> </tbody> </table> <h3 id="14-研究方法-research-methods">1.4 研究方法 (Research Methods)</h3> <p><strong>MDN核心思想</strong>:</p>http://wuqq547.top/posts/0027-neutron-neural-particle-swarm-optimization/Thu, 02 Apr 2026 12:00:00 +0800http://wuqq547.top/posts/0027-neutron-neural-particle-swarm-optimization/<h2 id="一文献核心概览-literature-core-overview">一、文献核心概览 (Literature Core Overview)</h2> <h3 id="11-基本信息-basic-information">1.1 基本信息 (Basic Information)</h3> <table> <thead> <tr> <th>项目</th> <th>内容</th> </tr> </thead> <tbody> <tr> <td><strong>标题</strong></td> <td>NEUTRON: Neural Particle Swarm Optimization for Material-Aware Inverse Design of Structural Color</td> </tr> <tr> <td><strong>中文标题</strong></td> <td>NEUTRON: 神经粒子群优化实现材料感知的结构色逆设计</td> </tr> <tr> <td><strong>作者</strong></td> <td>Haozhu Wang, L. Jay Guo</td> </tr> <tr> <td><strong>机构</strong></td> <td>University of Michigan, Ann Arbor, MI, USA</td> </tr> <tr> <td><strong>期刊</strong></td> <td>iScience</td> </tr> <tr> <td><strong>年份/卷期</strong></td> <td>2022, Vol. 25, 104339</td> </tr> <tr> <td><strong>发表日期</strong></td> <td>May 20, 2022</td> </tr> <tr> <td><strong>DOI</strong></td> <td>10.1016/j.isci.2022.104339</td> </tr> </tbody> </table> <h3 id="12-核心结论-core-conclusions">1.2 核心结论 (Core Conclusions)</h3> <ol> <li> <p><strong>方法创新</strong>: 提出NEUTRON方法，结合材料感知多任务混合密度网络(M3DN)与粒子群优化(PSO)，实现材料选择和厚度优化的协同设计。</p> </li> <li> <p><strong>分阶段策略</strong>: 将材料和厚度设计分为两个阶段，先通过M3DN预测最适合的材料组合和初始厚度分布，再通过PSO精细优化，将搜索空间从6.6×10¹¹降低到约10⁴量级。</p> </li> <li> <p><strong>多任务学习</strong>: 材料分类任务与厚度预测任务共享表示，产生正向知识迁移，提高逆设计精度。</p> </li> <li> <p><strong>数据增强</strong>: 通过混合两种材料形成合成复合材料，增加折射率数据变化，显著提升模型泛化能力。</p> </li> <li> <p><strong>实际应用</strong>: 成功应用于两个实际任务——环保型镀铬替代涂层设计和多图层光学薄膜图像重建。</p> </li> </ol> <h3 id="13-核心价值-core-value">1.3 核心价值 (Core Value)</h3> <table> <thead> <tr> <th>维度</th> <th>价值体现</th> </tr> </thead> <tbody> <tr> <td><strong>方法学</strong></td> <td>首次将混合密度网络与进化优化相结合，为材料-结构协同优化提供了新范式</td> </tr> <tr> <td><strong>实用性</strong></td> <td>解决了传统方法固定材料导致的次优颜色生成问题，同时避免RL方法逐个颜色设计的低效性</td> </tr> <tr> <td><strong>效率提升</strong></td> <td>可在数小时内重建包含20万+像素、数千种独特色彩的图片</td> </tr> <tr> <td><strong>可扩展性</strong></td> <td>方法可扩展到其他需要同时优化材料选择和结构参数的光学设计任务</td> </tr> </tbody> </table> <h3 id="14-研究方法-research-methods">1.4 研究方法 (Research Methods)</h3> <p><strong>NEUTRON核心流程（4步）</strong>:</p>http://wuqq547.top/posts/0026-transformer-metamaterial-absorbers/Thu, 02 Apr 2026 11:15:00 +0800http://wuqq547.top/posts/0026-transformer-metamaterial-absorbers/<h2 id="一文献核心概览-literature-core-overview">一、文献核心概览 (Literature Core Overview)</h2> <h3 id="11-基本信息-basic-information">1.1 基本信息 (Basic Information)</h3> <table> <thead> <tr> <th>项目</th> <th>内容</th> </tr> </thead> <tbody> <tr> <td><strong>标题</strong></td> <td>Broadband Solar Metamaterial Absorbers Empowered by Transformer-Based Deep Learning</td> </tr> <tr> <td><strong>中文标题</strong></td> <td>基于Transformer深度学习的宽带太阳能超材料吸收器</td> </tr> <tr> <td><strong>作者</strong></td> <td>Y. Chen, et al.</td> </tr> <tr> <td><strong>期刊</strong></td> <td>Advanced Photonics Research</td> </tr> <tr> <td><strong>年份/卷期</strong></td> <td>2023</td> </tr> <tr> <td><strong>DOI</strong></td> <td>(待补充)</td> </tr> <tr> <td><strong>主题</strong></td> <td>Transformer架构在光学超材料逆设计中的应用</td> </tr> </tbody> </table> <h3 id="12-核心结论-core-conclusions">1.2 核心结论 (Core Conclusions)</h3> <ol> <li> <p><strong>架构创新</strong>: 首次将Transformer架构应用于宽带太阳能超材料吸收器设计，展示了自注意力机制在处理复杂光谱目标方面的强大能力。</p> </li> <li> <p><strong>特征捕捉</strong>: 利用自注意力机制有效捕捉光谱特征与结构参数之间的长程依赖关系，实现高效的光谱到结构映射。</p> </li> <li> <p><strong>序列建模</strong>: 采用序列到序列(seq2seq)的学习框架，将光学逆设计问题转化为序列生成任务。</p> </li> <li> <p><strong>性能提升</strong>: 相比传统优化方法和CNN-based深度学习方法，Transformer在处理宽带、多峰值复杂光谱目标时具有更好的泛化能力。</p> </li> <li> <p><strong>方法拓展</strong>: 该方法为大规模预训练模型(foundation model)在光学设计领域的应用奠定了技术基础。</p> </li> </ol> <h3 id="13-核心价值-core-value">1.3 核心价值 (Core Value)</h3> <table> <thead> <tr> <th>维度</th> <th>价值体现</th> </tr> </thead> <tbody> <tr> <td><strong>方法学</strong></td> <td>开创性地将NLP领域的Transformer架构引入光学逆设计，为解决复杂光谱-结构映射问题提供了新范式</td> </tr> <tr> <td><strong>技术特点</strong></td> <td>自注意力机制天然适合处理光谱数据的长程相关性，突破了CNN局部感受野的限制</td> </tr> <tr> <td><strong>应用前景</strong></td> <td>为后续OptoGPT等大型光学设计预训练模型提供了技术原型和概念验证</td> </tr> <tr> <td><strong>领域影响</strong></td> <td>推动了光学设计从&quot;任务特定优化&quot;向&quot;通用基础模型&quot;范式的转变</td> </tr> </tbody> </table> <h3 id="14-研究方法-research-methods">1.4 研究方法 (Research Methods)</h3> <p><strong>核心架构</strong>:</p>