O artigo apresenta o NOTES (Neural Operator-enabled Topology-informed Evolutionary Strategy), um método que integra redução de dimensionalidade, aprendizado de representação e otimização evolutiva para o projeto inverso de sistemas físicos regidos por equações diferenciais parciais.
- O NOTES acopla um operador neural baseado em DeepONet com a Estratégia Evolutiva de Adaptação da Matriz de Covariância (CMA-ES) para realizar otimização global em um espaço latente compacto que codifica prioridades conscientes da topologia.
- Aplicado ao projeto inverso de deflectores de feixe nanofotônicos, o NOTES reduz a dimensionalidade do projeto de 256 para 25 e alcança consistentemente mais de 95 por cento de eficiência.
- Em tarefas de otimização estrutural, o método descobre projetos que atingem conformidade (compliance) de até 246.
- A abordagem supera o CMA-ES, a otimização topológica e outras linhas de base, desacoplando o aprendizado da topologia da física governante em um solucionador de EDPs.
Ao fornecer uma estrutura flexível e transferível, o NOTES aborda as demandas computacionais de espaços de projeto de alta dimensionalidade e não convexos, onde modelos generativos frequentemente carecem de robustez.