基于 NEAT 的演化神经网络优化手性光子超材面的方法：神经进化管道的应用
光学
2025-12-30 v1 应用物理
摘要
手性超材面的设计以实现特定光学特性一直是纳米光子学中的核心挑战,由于几何与手性光学响应之间存在高度非线性关系。机器学习辅助的优化管道最近作为加速这一过程的有效工具不断出现,但其性能强烈依赖于神经网络(NN)架构的选择。本文将 NeuroEvolution of Augmenting Topologies (NEAT) 算法集成到已建立的 dielectirc 手性超材面深度学习优化框架中。NEAT 自主演化网络拓扑结构和连接权重,实现无需人工调参即可获得特定任务的网络架构,而本框架中的强化学习策略则并行演化解空间知识并微调模型权重。使用由 9600 个模拟 GaP 超材面几何构成的管道数据集,我们在不同输入维度、特征缩放方法和数据规模下评估了 NEAT。通过标准化特征缩放可获得两种输出维度下最一致的性能。当集成到完整优化管道中时,相对紧凑的 NEAT 演化得到的神经网络模型在预测精度和泛化能力方面与最初使用的稠密少层感知器相当或更佳。因此,这些资源高效的模型成功地用于推断在可见光谱中表现出强烈圆二色性的超材面,并实现了模拟数据与实验数据之间的迁移学习。这一方法展示了一条通向自适应自配置机器学习框架的可扩展路径,既可独立使用,也可作为代理人式人工智能(AI)的构建模块。
引用
@article{arxiv.2512.23558,
title = {A NEAT Approach to Evolving Neural-Network-based Optimization of Chiral Photonic Metasurfaces: Application of a Neuro-Evolution Pipeline},
author = {Davide Filippozzi and Arash Rahimi-Iman},
journal= {arXiv preprint arXiv:2512.23558},
year = {2025}
}