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

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

基于波动信息处理设备，通过梯度优化设计方法可以扩展多孔材料设计空间并实现机械计算。

Apr, 2024

通过深度神经网络算子（DeepONet）直接学习基于稀疏但高质量位于实验数据的超材料完整微结构与其力学响应之间的关系，进而反向设计具有特定非线性力学特性的结构，该方法为设计复杂微结构材料的特性提供了可行性，即使在数据稀缺的情况下。

Nov, 2023

本文介绍一种基于神经 - 权值方法的深度学习方案，用于更加精确高效的设计以实现目标频率依赖散射效果的增加几何复杂度的全电介质超表面，并且证明该方法不仅适用于本文中的案例，同时适用于等离子体学、光子晶体带隙材料和其他结构化材料系统。

Dec, 2020

通过随机森林的可解释性，提出了一种单次逆设计方法 RIGID，用于快速生成具有所需功能行为的变形材料设计。该方法不需要训练映射关系的逆模型，而是通过马尔科夫链蒙特卡洛方法从训练的前向模型导出目标满足的设计解决方案的条件分布。在仅有少量数据的情况下，RIGID 在声学和光学变形材料设计问题上展示了其效率和有效性，并进一步验证了其似然估计的机制，突显在生成设计和消除大数据需求方面，可解释机器学习的潜力。

Dec, 2023

为了适应深空环境的恶劣条件，拥有灵活的物理化学性质并随需改变的材料将在定义未来的太空探索中变得至关重要。本文提出了一种基于计算机图形表示的方法来设计具有所需材料属性的结构，该方法使用自动微分来调整晶格元素的几何结构和属性。

Apr, 2023

介绍了数据驱动设计范例这一概念，并将现有的研究分为数据获取、基于机器学习的单元格设计、数据驱动的多尺度优化三个模块进行了综述，分析比较了各个模块的优势和适用性，并探讨了模块之间的联系。

Jul, 2023

基于潜在扩散模型，利用人工智能的生成能力，提出了一种不依赖前向模拟和迭代优化，直接将光学性质映射到结构的逆向设计方法。该方法可按照给定的光学性质生成高保真度的次波长光子结构，可能改变光学设计方法，并加速新光子器件的研究。

Apr, 2024

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