我们展示了一种多保真度（MF）机器学习集成框架，用于逆向设计光子表面，该框架基于一个由我们使用高通量飞秒激光加工制备的 11,759 个样本的数据集进行训练。MF 集成组合了一个初始低保真度模型以生成设计解决方案，并与一个通过局部优化对这些解决方案进行改进的高保真度模型。组合的 MF 集成可以生成多个不同的激光加工参数集，每个参数集都可以以高精度（均方根误差 < 2%）产生相同的目标输入光谱发射率。SHapley Additive exPlanations 分析显示出复杂的激光参数与光谱发射率之间透明的模型可解释性关系。最后，MF 集成通过制备和评估由其生成的用于改进效率的能量收集装置的光子表面设计进行了实验验证。我们的方法为推进在能量收集应用中的光子表面逆向设计提供了强大的工具。

Jun, 2024

利用机器学习的方法解决拓扑相反问题，用于识别复杂拓扑绝缘体的参数，以获得在目标频率下的受保护边缘状态，并解决了直接问题的多值分支和非物理解问题。应用于一个实际的拓扑激光设计，结果表明这种新的基于机器学习的逆向设计技术可能扩展到拓扑光子学的许多应用领域。

Mar, 2018

该研究提出了一种反渲染模型，可以从一对仅捕获到的半透明物体的图像中，联合预测 3D 形状、可变反射率、均匀次表面散射参数和环境光照。研究者还使用了基于物理和神经渲染器来解决反渲染中的模糊问题，并构建了庞大的合成数据集来验证模型的有效性。

May, 2023

基于 SELFIES，该论文提出了 PASITHEA，一种直接基于梯度的分子优化方法，应用计算机视觉中的 inceptionism 技术，通过建立一个逆回归模型来生成优化某一属性的分子变异体。

Dec, 2020

通过在串联架构中结合正向建模和反向设计，可以有效地使用数据集对包含非唯一电磁散射实例的深度神经网络进行训练，为使用深度神经网络设计需要大型训练集的复杂光子结构铺平了道路。

Oct, 2017

本文提出了一种基于混合密度网络模型和迁移学习增强的逆向建模方法，用于纳米光子结构，该方法在输入光学响应的情况下能够准确预测设计解决方案的能力，并克服了混合密度网络模型中的多个挑战。

Jan, 2024

本文介绍如何应用物理信息神经网络（PINNs）求解光子超材料和纳米光学技术中的逆散射问题，并成功应用于多组分纳米粒子等多种散射系统的介电常数参数反演，从而拓展超材料的设计空间和功能。

Dec, 2019

深度物理交融学习方案在图像重建方面取得了高精度和可解释性，并成为逆向成像任务的主流；本文提出了一种新颖的深度物理引导的非展开恢复学习框架，并通过优化和空间分解的两种不同视角提供了两种实现方法，展示了 PRL 网络在性能和效率方面明显的领先地位，具有进一步改进和应用于其他逆向成像问题或优化模型的潜力。

Jul, 2023

提出 OptoGPT 作为光学多层薄膜结构反向设计领域的基础模型，该模型是一种解码器 transformer，可以基于特定的光谱目标自回归地生成设计。该模型可以对材料、厚度进行选择，实现高效设计，输出多样化设计，实现了自定义约束的无缝集成。

Apr, 2023

采用深度模型或物理模型是解决可编程照明计算显微术中逆采样重建问题的两种主流方法。本文结合深度模型和物理模型的优势，提出了一个由三个子神经网络组成的混合框架，在计算显微术中快速解决计算重建逆问题并取得更好的结果。该框架通过深度学习神经网络获得富含语义信息的结果，并将其作为物理网络的初始值，保证输出符合物理过程约束。两个结果作为输入传递给融合深度学习神经网络，进一步增强图像质量。验证了该混合框架的可行性和有效性，通过理论分析和实际实验在分辨目标和生物样本上。

Jan, 2024