NOTES는 신경 연산자와 진화 전략을 통해 PDE 제약 역설계를 효율적으로 수행

본 논문은 편미분 방정식으로 지배되는 물리 시스템의 역설계를 위해 차원 축소, 표현 학습 및 진화 최적화를 통합한 방법인 Neural Operator-enabled Topology-informed Evolutionary Strategy(NOTES)를 소개합니다.

• NOTES는 DeepONet 기반 신경 연산자와 Covariance Matrix Adaptation Evolution Strategy(CMA-ES)를 결합하여 위상 인식 사전 지식을 인코딩하는 컴팩트한 잠재 공간에서 전역 최적화를 수행합니다.
• 나노광학 빔 편향기 역설계에 적용된 NOTES는 설계 차원수를 256에서 25로 줄이며 일관되게 95퍼센트 이상의 효율을 달성합니다.
• 구조 최적화 작업에서 본 방법은 적합도를 246까지 낮추는 설계를 발견했습니다.
• 이 접근 방식은 PDE 솔버에서 위상 학습과 지배 물리 법칙의 결합을 분리하면서 CMA-ES, 위상 최적화 및 기타 베이스라인보다 우수한 성능을 보입니다.

유연하고 이전 가능한 프레임워크를 제공함으로써 NOTES는 생성 모델이 종종 견고성 부족을 보이는 고차원 및 비볼록 설계 공간의 계산 요구 사항을 해결합니다.