基于条件风险价值目标的优化传输流匹配方法在抗反射涂层产量感知型生成逆向设计中的应用

《Scientific Reports》：Yield-aware generative inverse design of anti-reflection coatings via optimal-transport flow matching with a conditional-value-at-risk objective

　　

摘要

在多层抗反射涂层的设计中，对沉积误差的鲁棒性通常被视为一种事后蒙特卡洛检验：首先找到一个看似最优的涂层结构，然后再评估其制造公差。我们则将鲁棒性直接纳入设计目标。与其最小化平均反射率，我们选择最小化在沉积误差分布下的带平均反射率的条件风险价值（CVaR），这样优化器就会以最糟糕的制造结果为依据，而非基于理想化的标准光谱。这种考虑产率的建模方法与最优传输条件流匹配算法相结合，该算法在平滑盒式重参数化的严格制造约束下运行，同时还使用了经过分析计算的四分之一波长结果验证的可微分传递矩阵前向模型，以确保精度。在针对每一种设计都应用了\(10^5次相同沉积实验的六层MgF\(_2\)/SiO\([+0.0230,+0.0274]\) pp；相对降幅为\([+1.26,+1.50]\%\)），但代价是标准平均反射率增加了0.011 pp。由于两种设计都是基于相同的实验数据进行的比较，因此可以抵消采样噪声的影响；虽然绝对改善幅度较小，但我们仍将其与确定这一改善程度的采样不确定性一起报告。在五个独立的随机种子下重复整个优化后再评估的过程，每次都能得到类似的结果（\(\sigma = 4 nm\)时不存在优势，超过这一临界点后优势开始显现并趋于稳定：绝对降幅在整个测试范围内呈单调递增趋势，而相对增幅在\(+2.34\%\)，在16 nm时则为\(_2\)会降低抗反射性能。