超表面逆向设计的自演化智能体框架

《Laser & Photonics Reviews》：A Self-Evolving Agentic Framework for Metasurface Inverse Design

　　

超表面逆向设计可实现复杂的光学功能，但将目标光学响应转化为可执行的优化代码仍需要计算电磁学与求解器专用软件工程的大量专业知识。研究人员提出一种自演化智能体框架，通过耦合编码智能体、显式人类可读技能文件与确定性基于物理的评估器来降低这一壁垒。该框架不更新模型权重，而是基于求解器锚定的反馈修订技能文件，而提供物理仿真与梯度的基模型与可微分求解器保持不变。在多类型基准上，技能演化将同类型任务成功率从38%提升至74%，物理准则满足比例从0.51提升至0.87，平均尝试次数从4.10降至2.30。在两个新型任务族上，一类成功率维持近上限（0.92至0.90），另一类从0.20升至0.90。技能演化为实现自主且可及的逆向设计工作流提供了实用路径。

研究背景方面，超表面设计日益被建模为逆向问题，即在给定目标光学响应下求解对应结构。宽带、多功能、高集成度超光学器件的设计空间高维、强耦合且难以凭直觉探索，深度学习辅助方法虽拓宽了计算设计图景，但将目标响应转为可用设计程序仍依赖计算电磁学专长与求解器专用软件工程能力，且现有大语言模型（LLM）编码系统多完成单次任务工作流，未以可复用形式保留求解器专用策略。为此，研究人员开展一项自演化智能体框架研究，在固定可微分求解器TorchRDIT之上叠加代码生成层，通过外层元智能体修订人类可读技能文件（SKILL.md）、内层编码智能体撰写优化程序、确定性评估器以物理仿真打分，实现不微调权重而仅演化文本指引。研究得出结论：技能演化在同类型任务上显著提升成功率与效率，在未见任务族上表现出基于验证集的同类惯例习得与有限跨类保持能力；该框架将适应过程置于基模型之外，避免微调的数据需求与遗忘风险，具有重要方法学意义。论文发表于《Laser & Photonics Reviews》。

主要关键技术方法包括：构建由元智能体、编码智能体与确定性评估器组成的两层解耦架构，下层固定可微分严格耦合波分析（RCWA）求解器TorchRDIT提供前向仿真与梯度；采用双层元上下文工程（MCE）循环，外层依据每任务执行错误、逐准则反馈、准则通过分数（CPF）、瓶颈裕度（BM）与成功目标（SG）修订技能文件，并在留出验证集上以SG为主、CPF与约束违例量为辅的精英式选择保留最优技能；编码智能体采用Claude Sonnet 4.6，配合重启与尝试两级重试机制生成并修订优化程序；评估完全脱离编码智能体，由固定物理准则评分器执行。基准来自六类主模板族（G1–G6）加一类辅助族，按同类型、New-type-A、New-type-B三种划分各取50/15/50训练/验证/测试。

研究结果部分，第2节方法与框架概述定义问题为寻找设计参数使TorchRDIT模拟响应同时满足全部物理准则，给出SE、SG、CPF、BM、Attempts五项指标。第3节实验设置说明三种设定用于探测不同泛化：同类型测训练内模板族，New-type-A与New-type-B互换训练测试组以隔离跨类与同类验证迁移。第3.2节主结果表显示，同类型SG由38.0%升至74.0%，CPF由0.510升至0.870，Attempts由4.10降至2.30；New-type-A基线SG 92.0%演化后90.0%，BM由?4.626升至?2.092；New-type-B SG由20.0%升至90.0%，SE由60.0%升至96.0%，CPF由0.340升至0.930，BM由?0.148升至0.140，Attempts由4.36降至1.78。第3.3节结果显示同类型解救18/31失败任务且无回退，New-type-B解救35/40且无回退，单任务中位成本同类型由3.24美元降至0.42美元、New-type-B由3.73美元降至0.76美元。第3.4节技能演化机制表明同类型在第1次迭代即达验证SG 100%并被精英规则锁定，New-type-B在第2次迭代跃至100%并习得反射介质光栅惯例，New-type-A因基线近上限仅微调。

讨论与结论部分指出，超表面逆向设计核心瓶颈非缺求解器而是反复将任务规约转为优化代码之难；该框架固定编码智能体、求解器与评估器，仅演化显式技能文件，使适配对象为工作流指引而非模型权重。同类型设定证成效率与成功率协同提升；New-type-B证明循环可从验证反馈自主习得缺失类惯例并泛化至未训练子类型（+70pp），New-type-A证明在不相关族上演化不破坏基线已有跨类能力。演化后技能文件以纯文本可读审计，可跨求解器与问题域迁移，基模型、求解器、评估器均为可替换模块。作者声明局限在单一求解器栈、单一基准与单一基模型，后续需在更多后端与多物理场扩展。结论翻译：总体而言，本文主张超表面逆向设计的核心瓶颈不在于缺乏物理求解器，而在于难以将任务规约反复转化为可用优化代码；所提自演化框架通过固定编码智能体、求解器与评估器、基于求解器锚定反馈演化显式技能文件应对该瓶颈，被适配对象为工作流指引而非模型权重；三种设定表明同类型下成功率与效率同升，两类新类型设定揭示技能可借验证集习得同类惯例并有限保持跨类能力；演化技能文件本身超越训练族，框架按构造具通用性，基模型、求解器与评估器可互换，同一循环换用不同求解器与评估器即可迁至其它科学计算逆向设计问题，技能文件作为纯文本可被阅读审计与直接扩展，无需重训即可播种新问题，从而降低计算电磁学与软件工程复合壁垒。