L'article présente Neural Operator-enabled Topology-informed Evolutionary Strategy (NOTES), une méthode qui intègre la réduction de dimensionnalité, l'apprentissage de représentation et l'optimisation évolutionnaire pour la conception inverse de systèmes physiques régis par des équations aux dérivées partielles.
- NOTES couple un opérateur neuronal basé sur DeepONet avec la stratégie évolutionnaire d'adaptation de matrice de covariance (CMA-ES) pour effectuer une optimisation globale dans un espace latent compact encodant des a priori sensibles à la topologie.
- Appliqué à la conception inverse de déflecteurs de faisceau nanophotoniques, NOTES réduit la dimensionnalité de la conception de 256 à 25 et atteint constamment plus de 95 pour cent d'efficacité.
- Dans les tâches d'optimisation structurelle, la méthode découvre des conceptions atteignant une conformité jusqu'à 246.
- L'approche surpasse CMA-ES, l'optimisation topologique et d'autres références tout en découplant l'apprentissage de la topologie de la physique sous-jacente dans un solveur EDP.
En fournissant un cadre flexible et transférable, NOTES répond aux exigences computationnelles des espaces de conception de haute dimensionnalité et non convexes où les modèles génératifs manquent souvent de robustesse.