《Advanced Optical Materials》：PearSAN: A Machine Learning Method for Inverse Design Using Pearson Correlated Surrogate Annealing
编辑推荐：
摘要翻译：纳米光子学中的逆向设计常常受制于维度灾难，尤其是对于具有多自由度的超表面，其优化景观高度非凸。在本研究中，研究人员引入了皮尔逊相关代理退火（PearSAN）：一种机器学习辅助框架，能够高效地导航这些复杂空间。PearSAN采用一种代理模型，旨在捕捉生
摘要翻译：纳米光子学中的逆向设计常常受制于维度灾难，尤其是对于具有多自由度的超表面，其优化景观高度非凸。在本研究中，研究人员引入了皮尔逊相关代理退火（PearSAN）：一种机器学习辅助框架，能够高效地导航这些复杂空间。PearSAN采用一种代理模型，旨在捕捉生成模型潜空间内的相对性能趋势。这使得算法能够快速收敛至最优解，而无需进行大量物理模拟。作为示例，PearSAN被应用于热光伏（TPV）超表面的设计，通过匹配热辐射器与光伏（PV）电池的工作波段来实现。PearSAN实现了最先进的设计效率，在收敛速度和最终器件性能上均优于传统基线。这些结果确立了PearSAN作为需要精确光谱工程的光子学应用中一种稳健的工具。
论文解读文章：
逆向设计在纳米光子学领域面临的核心挑战之一是维度灾难，尤其是对于具有大量自由度的超表面结构，其优化景观通常高度非凸，导致直接优化方法陷入局部最优解而效率低下。传统拓扑优化方法虽然在某些场景下有效，但在高维参数空间中往往计算代价高昂且收敛缓慢。近年来，基于生成模型的潜空间优化方法被提出，通过将高维设计空间压缩至低维潜在表示，结合全局搜索算法（如模拟退火、马尔可夫链蒙特卡洛等）来加速优化过程。然而，现有方法在训练代理模型时通常采用能量匹配（EM）损失，其要求代理函数精确逼近实际品质因数（FOM），这导致代理模型训练过度约束，易产生噪声大、相关性弱且次优的设计。针对这一问题，研究人员引入了皮尔逊相关代理退火（PearSAN）框架，通过一种基于皮尔逊相关的新型损失函数（PearSOL）训练代理模型，使其仅需保持与真实FOM的排序一致性，而非精确数值匹配，从而增强模型表达能力并改善优化质量。研究人员将PearSAN应用于热光伏（TPV）超表面的单元设计，通过优化热发射器的发射光谱与光伏电池吸收带的重叠，验证了其高效性和优越性能。该研究发表于《先进光学材料》（Advanced Optical Materials）。
研究人员采用的主要技术方法包括：首先，利用梯度基于的拓扑优化（TO）生成12,000个高质量的TPV单元结构作为训练数据集，每个单元为64×64的二进制网格，代表钛氮化物（TiN）天线的分布，并采用对称性约束和鲁棒性算法（如局部介电常数平均、FOM扰动平均和空间滤波）确保可制造性。其次，训练一个二进制自编码器（bAE）将二进制设计压缩至低维离散潜空间，同时保留关键性能特征。在潜空间优化中，研究人员引入皮尔逊相关代理优化损失（PearSOL）训练多项式代理模型，该损失通过最大化代理能量与真实FOM之间的皮尔逊相关系数（期望达到-1以实现反单调关系）来建立排序一致性，并辅以平均能量损失和参数范数正则化以防止能量爆炸。最后，采用变分神经退火（VCA）中的变分经典退火（VCA）方法，使用循环神经网络（RNN）作为采样器，通过逐步降低温度参数来生成低能量潜向量，从而在潜空间中高效搜索最优设计。整个流程迭代进行，每次更新数据集并重训代理模型。
研究结果部分，首先在重训练过程（Section 3.1）中，研究人员比较了PearSOL与EM损失在相同超参数和数据集下的表现。通过10次重训练迭代，PearSOL在平均VGGNet预测效率上持续优于EM（最终迭代平均92.31%对80.74%），且通过Welch双样本t检验确认了显著性差异（p<0.05）。此外，PearSAN生成的样本集平均FOM（92.32%）显著高于原始数据集（60.54%），表明其有效提升了样本质量。其次，在与其他方法的比较（Section 3.2）中，研究人员将PearSAN与直接拓扑优化、AAE+TO、AAE+VGGNet、AAE+DE、AAE+rDE以及bVAE-QUBO等方法进行对比。结果显示，PearSAN在生成100个设计所需时间上仅为0.0033小时，远低于其他方法（如AAE+VGGNet的0.0333小时，bVAE-QUBO的0.30小时），设计生成速率达到501.10个/分钟，而最高效率达到97.02%，优于除AAE+TO（97.90%）外的所有方法，但AAE+TO在训练中直接使用了FDTD模拟，而PearSAN仅依赖VGGNet预测，因此更公平的比较是与AAE+VGGNet（95.50%）相比，PearSAN显著领先。光谱分析显示，PearSAN的工作带内吸收维持在较高水平，带外下降点（0.85）高于AAE+VGGNet（0.75）和bVAE-QUBO（0.8），表明其光谱整形能力更强。
在结论与展望部分，研究人员总结了PearSAN的核心优势：通过PearSOL实现代理模型的排序一致性训练，避免了EM的过度约束；结合VCA采样，有效利用了离散潜空间，加速搜索并提升设计质量。实验表明，PearSAN在保持高设计效率的同时，实现了至少一个数量级的速度提升。未来方向包括探索更丰富的物理启发的能量模型（如Blume-Capel、Potts或高阶多项式）、扩展至连续潜空间、尝试其他潜空间优化器或神经架构（如状态空间机），以及将PearSAN应用于其他纳米光子器件设计任务（如量子信息、传感）。此外，完全受控的硬件比较将进一步分离算法增益与实现差异。该研究为高维逆向设计提供了高效且灵活的框架，展示了在物理约束优化中的广泛适用性。
