El artículo presenta NOTES (Neural Operator-enabled Topology-informed Evolutionary Strategy), un método que integra reducción de dimensionalidad, aprendizaje de representaciones y optimización evolutiva para el diseño inverso de sistemas físicos regidos por ecuaciones en derivadas parciales.
- NOTES acopla un operador neural basado en DeepONet con la Estrategia Evolutiva de Adaptación de Matriz de Covarianza (CMA-ES) para realizar optimización global en un espacio latente compacto que codifica prioridades conscientes de la topología.
- Aplicado al diseño inverso de deflectores de haces nanofotónicos, NOTES reduce la dimensionalidad del diseño de 256 a 25 y logra consistentemente una eficiencia superior al 95 por ciento.
- En tareas de optimización estructural, el método descubre diseños que logran una conformidad (compliance) de hasta 246.
- El enfoque supera a CMA-ES, la optimización topológica y otras líneas base, desacoplando el aprendizaje de la topología de la física gobernante en un solucionador de EDP.
Al proporcionar un marco flexible y transferible, NOTES aborda las demandas computacionales de espacios de diseño de alta dimensionalidad y no convexos donde los modelos generativos a menudo carecen de robustez.