逆向设计问题可以通过学习仿真、图神经网络以及去噪扩散模型等方法得到有效解决，可用于流体动力学设计挑战中减少对模拟器的调用次数。

Sep, 2023

该研究介绍了一种方法，通过多精度评估、机器学习模型和优化算法的战略性协同，增强受有限计算资源约束的反向设计优化过程。该方法在两个不同的工程反向设计问题上进行了分析，通过在每个优化循环中利用训练有低精度模拟数据的机器学习模型，高效地预测目标变量并确定是否需要高精度模拟，从而显著节省了计算资源。此外，该机器学习模型在优化之前被战略性地使用以减小搜索空间，进一步加快了收敛到最优解的速度。该方法已被应用于增强差分进化和粒子群优化两种优化算法，对比分析表明两种算法的性能有所提升。值得注意的是，该方法适用于任何反向设计应用，实现了低精度机器学习模型和高精度模拟之间的和谐协同，并且可以无缝应用于任何种类的基于群体的优化算法。

Dec, 2023

逆向分子设计的多条件扩散模型与转换器编码去噪模型相结合，成功实现了高性能材料和药物发现，并在聚合物和小分子生成任务中展示了优越的分布学习和条件控制表现。

Jan, 2024

本文提出了一种基于扩散概率理论的新型超材料反设计方法，该方法可以逐步从高斯分布中去除噪声并生成满足 S 参数条件的新型高自由度元电池，并且证明实验表明该方法在模型收敛速度、生成精度和质量方面优于 GAN 的代表性方法。

Apr, 2023

比较传统设计优化方法和基于深度学习的反向设计方法在各种场景下的性能，并提供指南以增强后者在实际工程设计问题中的实用性。

Aug, 2023

该论文提出了一种现代化的密集图像对齐算法 —— 反向组合算法，通过结合数据驱动的先验知识，采用一种鲁棒的方式优化了来自多个元件的算法，并在多个 3D 刚性运动估计任务中取得了较好的表现。

Dec, 2018

采用概率生成方法，在潜在空间中对设计元激元和光学反应进行压缩，以解决由物理结构到光学响应之间难以捉摸的关系带来的逆向设计问题。该模型可在训练期间利用有标签和无标签数据优化生成逆向设计和确定性正向预测。这种基于数据的模型可以成为在干涉材料和光子学研究领域中加速设计、表征和新发现的全面有效的工具。

Jan, 2019

通过解释扩散模型为基于能量的模型，在训练和测试阶段中将一组扩散模型组合在一起，结构化生成，该方法可用于合成预训练的文本指导的扩散模型并生成生动逼真的图像，解决了 DALLE-2 在对象属性方面的困难。

Jun, 2022

本篇论文提出了一种基于条件生成神经网络的三维分子结构的设计方法，该方法不依赖于化学键，并能针对特定分布生成新颖分子，同时能够逆向设计并发现稳定的分子，在多种电子性质方面提高了生成效能。

Sep, 2021

逆问题研究中的生成模型，特别是扩散模型，对于确定参数具有重要作用。然而，扩散模型对方差调度的选择非常敏感，我们提出了一种新的方法，通过学习过程中训练方差调度，避免了费时的优化过程并得到更好的结果。

Dec, 2023