本文介绍了 NOTES（Neural Operator-enabled Topology-informed Evolutionary Strategy），该方法集成了降维、表示学习和进化优化，用于求解由偏微分方程支配的物理系统的逆设计。

  • NOTES 将基于 DeepONet 的神经算子与协方差矩阵自适应进化策略 (CMA-ES) 耦合，在编码拓扑感知先验的紧凑潜在空间中进行全局优化。
  • 应用于纳米光子光束偏转器的逆设计，NOTES 将设计维度从 256 降低到 25，并始终实现超过 95% 的效率。
  • 在结构优化任务中，该方法发现的 designs 实现了低至 246 的柔度 (compliance)。
  • 该方法优于 CMA-ES、拓扑优化和其他基线方法，同时在偏微分方程求解器中将拓扑学习与控制物理解耦。

通过提供一个灵活且可迁移的框架，NOTES 解决了高维和非凸设计空间中生成模型通常缺乏鲁棒性的计算需求。