一种基于NEAT的手性光子超表面神经网络优化方法：神经进化增强拓扑管道的应用

《Advanced Intelligent Systems》：A NEAT Approach to Evolving Neural-Network-Based Optimization of Chiral Photonic Metasurfaces: Application of a NeuroEvolution-of-Augmenting-Topologies Pipeline

　　

机器学习辅助优化管道最近已成为加速设计超表面手性光学性质的高效工具，然而其性能强烈依赖于神经网络（NN）架构的选择。在本工作中，研究人员将神经进化增强拓扑（NEAT）算法集成到一个已建立的用于介质手性超表面的深度学习优化框架中。NEAT自主进化网络拓扑和连接权重，实现了无需手动调参的任务特定架构，而研究人员框架中的强化学习策略则并行进化解空间的知识并微调模型权重。利用管道产生的包含9600个模拟GaP超表面几何结构的数据集，研究人员评估了NEAT在不同输入维度、特征缩放方法和数据大小下的表现。采用标准化特征缩放对两种检查的输出维度均产生最一致性能，当相对紧凑的NEAT进化神经网络模型集成到完整优化管道中时，与最初采用的密集少层感知机相比，它们实现了相似或改进的预测精度和泛化能力。因此，这些资源高效的模型成功推断出在可见光谱中表现出强圆二色性的超表面，允许在模拟和实验数据之间进行迁移学习。该方法展示了一条通往自适应、自配置机器学习框架的可扩展路径，用于自动化光子设计，既可作为独立工具，也可作为主动式人工智能（AI）的构建模块。

**论文解读：基于NEAT的手性光子超表面神经网络优化**

**研究背景与问题**
手性纳米光子结构和超表面因其偏振灵敏度而能调控光-物质相互作用，在生物传感、量子光学和偏振分辨成像等领域具有重要应用。然而，设计这类结构面临巨大挑战：手性超表面的光学响应源于复杂的电磁耦合效应，对几何参数、排列和材料成分高度敏感，传统前向预测或逆向设计需要探索庞大且高度非线性的参数空间。近年来，将光子模拟与机器学习相结合的优化方法加速了复杂光学结构的设计，但其性能强烈依赖于神经网络（NN）架构的选择。现有主流生成模型（如GANs、VAEs、DDPMs）虽具有高自由度，但计算密集且需要大量训练数据。基于研究人员先前工作建立的强化深度学习优化管道，结合严格耦合波分析（RCWA）模拟与深度学习，已能高效优化手性响应，但NN架构仍需手动调参或启发式搜索，这限制了管道适应性和引入用户偏差。因此，引入神经进化增强拓扑（NEAT）算法，实现网络拓扑和权重的自主进化，以消除手动设计，提升模型性能与泛化能力。

**研究概述与结论**
研究人员将NEAT算法集成到现有优化管道中，用于介质手性超表面设计。利用管道产生的9600个模拟GaP超表面几何结构数据集，评估了NEAT在不同输入维度（6输入与24输入）、特征缩放方法（标准化与归一化）和数据大小下的表现。结果表明，标准化特征缩放结合6输入配置获得最低均方误差（MSE），标准化比归一化平均降低约10%的MSE。NEAT进化出的紧凑NN模型，在集成到完整优化管道后，与先前使用的密集少层感知机相比，实现了相似或更优的预测精度和泛化能力，成功推断出在可见光谱中表现出强圆二色性（CD）的超表面，并支持模拟与实验数据间的迁移学习。该研究发表在《Advanced Intelligent Systems》，展示了通向自适应、自配置机器学习框架的可扩展路径，可作为独立工具或主动式人工智能（AI）的构建模块。

**关键技术方法（不超过250字）**
主要关键技术方法包括：1）NEAT算法（神经进化增强拓扑），用于自主进化神经网络拓扑和连接权重，通过遗传原理逐步增加网络复杂度；2）RCWA（严格耦合波分析）模拟，通过Khepri Python库计算GaP超表面在可见光下的反射光谱，提取圆二色性（ΔRCD）和优先手性反射率（R_pref）；3）标准化特征缩放，将输入输出数据中心化并缩放至单位方差，保留特征相关性；4）强化学习优化管道，利用迭代选择的模拟反馈微调模型权重，并进化解空间知识。数据集来源：通过管道多轮运行（10个不同随机种子）生成9600个GaP（高折射率、低吸收）超表面几何结构，每个几何结构由多边形角点坐标参数化，厚度为特定值。

**研究结果**
**3.1 输入维度与特征缩放的影响**
通过比较6输入（利用第一象限三个独立角点坐标）和24输入（所有12个对称角点坐标）配置，结合标准化与归一化特征缩放，发现6输入与标准化组合在测试集上获得最低MSE，ANOVA分析证实特征缩放对6输入模型性能影响显著（p<0.05），而数据集大小影响不显著；标准化平均MSE比归一化低约10%。对于24输入配置，数据集大小（4800个训练样本）成为主要影响因素，特征缩放作用减弱。

**3.2 网络拓扑进化**
分析NEAT进化出的网络结构发现，标准化数据训练的网络几乎比归一化数据训练的网络多出两倍活跃连接（例如6输入/两输出配置：406 vs. 188个连接）。尽管更复杂，标准化网络始终获得更高预测精度，表明标准化促进更丰富的连接模式，有助于捕捉非线性依赖，达到表达能力与泛化能力的平衡。

**3.3 特征选择与冗余处理**
NEAT表现出隐式特征选择能力：在24输入冗余配置中，算法自动强调对应独立几何特征的输入子集，抑制对称冗余副本。通过综合重要性评分（公式1），第二和第三坐标（x和y）在跨随机种子和输出配置中始终获得最高重要性。当采用两输出模型（ΔRCD和R_pref）时，不同输入子集对各自目标产生特异性贡献，形成模块化路径。

**3.4 模型在优化管道中的部署**
将最佳NEAT网络集成到完整优化管道，设计GaP/Air超表面，两输出模型达到ΔRCD≈0.0095、R_pref≈0.016，单输出模型ΔRCD≈0.0094，与手动设计网络（含两个隐藏层、更多神经元）的结果相当或更优。验证损失从NEAT初始进化后的较高值经管道微调（反向传播）显著下降，混合方法（NEAT拓扑进化+梯度微调）有效。多输出模型平均性能优于单输出模型，复合适应度指标f也更高（见表1）。五组最佳网络的重复测试验证了鲁棒性。

**总结讨论与结论**
讨论指出，NEAT成功实现了神经网络模型设计的自动化，适应输入冗余、特征缩放和多目标学习，三大效益相互协同：数据进化（通过管道迭代）、几何/设计进化（通过模型重训练）和架构进化（通过NEAT）。标准化特征缩放的优势在于保持输入输出相关性，增强进化搜索空间探索。纯数据驱动的NEAT模型即使未使用物理先验（如镜像对称），仍达到与手动设计网络（含物理先验）相当或更优的精度，凸显其鲁棒基线能力。当前工作为单波长预测，未来可扩展至宽带光谱（通过自编码器或CPPN-NEAT）。与实验数据结合迁移学习，以及与主动式AI框架的集成，有望实现动态自驱动制造管道。
**研究结论翻译**：在本工作中，研究人员演示了NEAT算法在深度学习优化手性介质超表面中的成功实现。通过允许神经架构自主进化，NEAT消除了手动网络设计的需求，并提供了一种数据驱动的模型适应方法。神经进化过程促进了模型复杂度与性能之间的平衡，产生了自适应捕捉结构几何与手性光学响应之间非线性依赖的拓扑。此外，NEAT充当了隐式特征选择器，高效过滤冗余对称参数并强调最具信息量的几何描述符。特别是在标准化数据集上训练时，NEAT进化模型经过管道内进一步权重微调后，达到了比固定拓扑模型更优的准确性和泛化能力。部署在优化框架中时，神经进化网络使能了GaP/Air超表面的设计，其CD和反射率性质与手动设计的两隐藏层、更多隐藏神经元的NN架构相当或更优。总体而言，本工作确立了NEAT驱动的神经进化作为机器学习纳米光子学设计管道的有力扩展，可推广至其他超表面平台，并延伸至光学、电子和量子光子系统的多目标或动态设计任务。展望未来，通过集成主动式AI，自开发优化管道的范式可进一步增强，实现真正自配置的光子设计环境。