В статье представлен метод NOTES (Neural Operator-enabled Topology-informed Evolutionary Strategy), который объединяет снижение размерности, обучение представлений и эволюционную оптимизацию для обратного проектирования физических систем, описываемых уравнениями в частных производных.

  • NOTES связывает нейронный оператор на основе DeepONet с эволюционной стратегией адаптации ковариационной матрицы (CMA-ES) для выполнения глобальной оптимизации в компактном латентном пространстве, кодирующем априорные знания о топологии.
  • Примененный к обратной задаче проектирования нанофотонных отклоняющих пучок элементов, NOTES снижает размерность дизайна с 256 до 25 и стабильно достигает эффективности более 95 процентов.
  • В задачах структурной оптимизации метод обнаруживает конструкции, достигающие податливости (compliance) на уровне 246.
  • Подход превосходит CMA-ES, топологическую оптимизацию и другие базовые методы, отделяя обучение топологии от управляющей физики в решателе УЧП.

Предоставляя гибкую и переносимую основу, NOTES решает вычислительные проблемы высокоразмерных и невыпуклых пространств дизайна, где генеративные модели часто не обладают достаточной надежностью.