本論文では、偏微分方程式で記述される物理系の逆設計のために、次元削減、表現学習、および進化的最適化を統合した手法であるNeural Operator-enabled Topology-informed Evolutionary Strategy（NOTES）を紹介する。

  • NOTESは、DeepONetベースのニューラル演算子とCovariance Matrix Adaptation Evolution Strategy（CMA-ES）を組み合わせ、トポロジー依存の事前知識を符号化したコンパクトな潜在空間でグローバル最適化を実行する。
  • ナノフォトニックビーム偏向器の逆設計に適用した結果、NOTESは設計の次元数を256から25に削減し、一貫して95パーセント以上の効率を達成している。
  • 構造最適化タスクでは、本手法は適合度を246まで低下させる設計を発見した。
  • このアプローチは、PDEソルバーにおけるトポロジー学習と支配物理法則の結合を解きながら、CMA-ES、トポロジー最適化、その他のベースラインを上回る性能を示す。

柔軟で転移可能なフレームワークを提供することで、NOTESは生成モデルがしばしば堅牢性に欠ける、高次元かつ非凸な設計空間における計算上の要求に対処する。