面向定向散射的离散材料核壳颗粒梯度优化

设计纳米光子结构传统上需要应对离散参数（如真实材料）的复杂性，通常依赖于昂贵的全局优化方法。本文引入了一种方法，利用生成式深度学习将离散参数集映射到连续的潜在空间，从而实现直接的基于梯度的优化。对于具有不可微物理评估函数的场景，采用神经网络作为可微替代模型。通过优化由选定真实材料组成的核壳纳米颗粒的定向散射特性，展示了该方法的有效性。我们推导了具有强前向散射和最小化后向散射的核壳几何结构建议。研究结果表明，与全局优化技术相比，本文方法在计算效率和性能上均有显著提升。除纳米光子学设计问题外，该框架在受限于离散变量的各类逆问题中均具有广泛的应用前景。