Makalah ini memperkenalkan Neural Operator-enabled Topology-informed Evolutionary Strategy (NOTES), sebuah metode yang mengintegrasikan reduksi dimensi, pembelajaran representasi, dan optimisasi evolusioner untuk desain invers sistem fisik yang diatur oleh persamaan diferensial parsial.

  • NOTES menggabungkan operator saraf berbasis DeepONet dengan Covariance Matrix Adaptation Evolution Strategy (CMA-ES) untuk melakukan optimisasi global dalam ruang laten kompak yang mengkodekan prior sadar topologi.
  • Diterapkan pada desain invers pembelokan berkas nanofotonik, NOTES mengurangi dimensi desain dari 256 menjadi 25 dan secara konsisten mencapai efisiensi lebih dari 95 persen.
  • Dalam tugas optimisasi struktural, metode ini menemukan desain yang mencapai kepatuhan hingga 246.
  • Pendekatan ini mengungguli CMA-ES, optimisasi topologi, dan baseline lainnya sambil memisahkan pembelajaran topologi dari fisika pengatur dalam solver PDE.

Dengan menyediakan kerangka kerja yang fleksibel dan dapat ditransfer, NOTES mengatasi tuntutan komputasi dari ruang desain berdimensi tinggi dan non-konveks di mana model generatif sering kali kurang robust.