面向光学多层薄膜逆设计的全局神经伴随框架：精度、效率与可解释性的统一

《Scientific Reports》：Interpretable inverse design of optical multilayer thin films based on global neural adjoint

　　

摘要

现有的光学多层薄膜（OMTs）逆设计人工智能方法通常作为"黑箱"运行，对参数与性能之间关系的洞察十分有限。我们提出了全局神经伴随（GNA）框架，该框架在六个标准上实现了强有力的平衡：精度、效率、多样性、可扩展性、灵活性和可解释性。其核心是OMT-mixer，一种正向架构，能够在多种材料配置、预定义的一组层数及厚度下准确高效地预测光学特性。通过将材料与约束损失函数纳入神经伴随损失，GNA实现了可扩展且灵活的逆设计，同时基于梯度的敏感度分析量化了优化过程中设计损失对各层厚度及材料折射率的累积敏感性。OMT-mixer达到了与基于Transformer的代理模型相当的精度，同时将每个周期的训练时间减少了约37%–42%，相对于OptoGPT则减少了约61%。在与遗传算法、无材料损失的GNA以及OptoGPT针对六个测试光谱和六个带通滤波器目标进行对比评估后，GNA的平均精度与最强的参考方法相当，同时提供了显著更好的峰值精度和更大的多样性。在将第一层固定为100纳米厚SiO?的制造约束下，GNA保持了显著优于使用top-k采样的OptoGPT的峰值精度和更大的多样性，尽管计算成本更高。对松弛材料空间中的梯度以及舍入与滤波的影响进行了定量分析，同时通过梯度聚合、扰动和消融分析进一步验证了敏感度分析结果的可靠性。这些结果确立了GNA作为先进的OMT逆设计的强大、可解释且多用途框架的地位。