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

基于深度学习和生成对抗网络的逆散射问题研究，通过对多频散射电场幅度的准确和高效重构，提出了一个强大的方法，其中采用了对抗自编码器和密集层构成的逆神经网络框架，通过与正向神经网络的比较验证了结果的可靠性和提高了建模效率。

Feb, 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

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

基于深度生成模型的生成工程设计方法已被提出以促进工业工程过程，通过提出一种新颖的自注意力对抗潜在自编码器（SA-ALAE）模型，我们解决了结构丰富的工业设计图像的生成困难，并展示了在实际的汽车设计任务中生成工程蓝图的潜力。

Jul, 2023

该研究提出了改进的 Transformer 和条件生成对抗神经网络（CGAN）来实现基于太赫兹多重共振吸收光谱的石墨烯超表面的反向设计，并证明这项工作可以促进人工智能生成超材料的设计过程，并对利用生成神经网络开发基于二维材料的复杂太赫兹超表面提供有用指导。

Jul, 2023

使用具有热力学感知能力的神经网络，通过增加物理系统的测量分辨率并预测其时间演化。该方法使用对抗自编码器将完全有序模型的维数降低到一组隐变量中，并确保这些变量符合先验（例如正态分布）。然后，利用第二个神经网络学习隐变量的物理结构和预测其时序演变，该神经网络称为结构保持神经网络。通过将整合轨迹解码为其原始维度以及由对抗自编码器产生的高维空间，将其与真实解进行比较。该方法在两个流体在圆柱上的例子中进行了测试，液体属性在两个例子之间存在变化。

Feb, 2024

我们提出了一种能够实时全息波束引导的元表面天线。通过元原子状态的具体编码，可生成可重构偶极子阵列通过辐射在需求场模式。我们提出了一种基于深度学习的方法来控制具有变化状态的点偶极天线元表面天线。我们采用了一种深度学习算法，将自动编码器与电磁散射方程相结合，以实时确定目标远场模式所需的状态。散射方程从 Born 近似中用作训练神经网络的解码器，并使用解析格林函数计算来检查 Born 近似的有效性。我们的学习算法仅需计算时间不超过 200 微秒，即可确定元原子状态，从而实现全息天线的实时操作。

Jun, 2024

本研究表明，多功能深度神经网络可用于在互动式元表面系统中重建目标信息，并且能够通过依赖电场分布，感知目标的数量和介电常数，并生成具有高精度的高超分辨图像。

May, 2023