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

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

此论文介绍了一种快速反向设计方法，利用先进的深度生成人工智能算法生成基于体素的机械超材料，该方法能够在仅 3 秒内逼近所指定的均质张量矩阵的分辨率为 $128^3$ 的微结构。该工具对于结构工程或其他机械系统具有灵活和自适应的生成能力，可以激发更多的后续研究。

Jan, 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

本文综述了计算反演设计在纳米光子学领域的最新进展及其在非线性、拓扑、近场和芯片光学等领域的应用。

Jan, 2018

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

本文提出了一种基于机器学习的全局优化框架，以设计光子器件。该方法使用对抗自动编码器和元启发式优化框架，通过物理传递的压缩设计空间工程，提高了元器件配置的优化搜索效率，并可以揭示器件的光学性能的物理基础。

Jul, 2020

使用深度学习方法，基于 Fabry-Pérot 共振腔的完全解析描述，实现光学器件的逆向设计。

Dec, 2021

通过训练生成模型来加快科学发现并推动各个科学领域的重大进展，尤其是发现具备良好性能的新型无机材料是一项关键挑战，不同于文本或图像数据，材料，特别是晶体结构，由多种类型的变量组成，包括晶格矢量、原子位置和原子种类，本研究探索一种基于 Transformer 架构的新型扩散模型，用于生成具有所需性质的晶体结构，并证明我们的模型在多样性方面优于先前方法，而我们的实证结果表明，最佳条件方法因数据集而异。

Jun, 2024

使用人工神经网络逼近多层纳米粒子的光散射，并利用反向传播求解纳米光子逆向设计问题。

Oct, 2017