- 利用主动子空间捕捉深度生成模型分子设计中的认知模型不确定性
通过利用低维活跃子空间捕捉模型参数的不确定性,提出了一种基于活跃子空间的不确定性量化方案,用于高维参数空间中估计表观模型不确定性,并展示了在表观不确定性下探索分子优化的模型多样性的实证研究,为生成分子设计中的不确定性问题提供了解决方法。
- AAAI光子晶体面发射激光器的反向设计是一个序列建模问题
Photonic Crystal Surface Emitting Lasers (PCSEL) 的逆向设计可以通过利用强化学习和 Transformer 结构提高性能和数据效率。
- ICLR组合式生成逆设计
通过优化扩散模型所捕获的学习能量函数,我们可以避免针对优化模型出现的对抗样本,从而显著提高设计性能,并且在多体相互作用和复杂气动式设计任务中,我们的方法通过在测试时组合学习到的扩散模型,超越了最先进的神经网络逆向设计方法的预测 MAE 平均 - 可解释学习的功能响应变形材料的生成逆向设计
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 - 多保真度模拟、机器学习和搜索空间缩减策略在高效反设计优化中的应用
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 - 基于代理辅助的扩展生成对抗网络在自由形式超表面设计中的参数优化
XGAN 是一种扩展的生成对抗网络(GAN),具有用于高质量自由形态超表面设计的代理。该方法可以从输入的光谱响应准确生成超表面,是传统方法的 500 倍快速,适用于光学超材料、纳米光子器件和药物发现等多种反向设计问题。
- ICML扩散生成逆向设计
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。
- 通过改进的 Transformer 与 CGAN 神经网络生成的人工智能太赫兹多共振超表面
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 - M$^2$Hub:解锁机器学习在材料发现中的潜力
M2Hub 是一个用于推动材料发现中机器学习进步的工具包,其尤为关注材料发现中的虚拟筛选、反设计和分子模拟三个关键领域,以及提供了适用于材料结构的最先进的机器学习方法和数据集来进行基准测试。
- 基于扩散概率模型的高精度高自由度超材料逆向设计
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。
- CHA2: 面向反向分子设计的化学感知凸包自编码器
通过使用自编码器将分子结构转换为潜在空间,再通过在高 QED 分子周围构建凸包来限制搜索空间,以优化分子设计和发现新的化学结构。
- 光学谐振腔的数据驱动设计
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。
- AAAIRID-Noise:面向噪声环境下的稳健逆向设计
本论文提出了一种数据高效的稳健反向设计(Robust Inverse Design under Noise,RID-Noise)方法,其利用现有的有噪数据训练条件可逆神经网络(cINN)来估算设计参数的稳健性,并定义一种样本权重,在基于 c - 带硬约束的物理知识神经网络用于反问题设计
本文提出一种基于物理约束神经网络(hPINNs)的新的深度学习方法用于解决基于偏微分方程(PDEs)和附加不等式的拓扑优化,该方法拥有硬约束,可在不需要偏微分方程求解器的情况下处理大量维度较高的问题。使用 hPINN 解决全息术和 Stok - 自引嵌入字符串(SELFIES):一种 100% 鲁棒的分子字符串表示
该研究提出了一种称为 SELFIES 的分子字符串表示法,每个 SELFIES 字符串都对应着一个合法的分子,这种方法可以直接用于任意的机器学习模型中,其生成的分子候选集合法且多样性更高,并且允许更好的解释和解读生成模型的内部机制。
- 一个基于深度生成模型和半监督学习策略的超材料的概率表示和逆向设计
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 - 智能纳米光子学:将光子学和人工智能融合于纳米尺度
该综述总结了纳米光子学和机器学习相结合的最新进展,提供了不同计算方法(尤其是深度学习)在纳米光子学反向设计中的概述,并讨论了深度神经网络在光子平台上的实现。
- 训练深度神经网络用于纳米光子结构逆设计
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。