将设计技能学习为记忆策略，用于智能光子逆设计
计算与语言
2026-05-29 v1
摘要
光子晶体纤维（PCF）逆设计仍具有挑战性，因为候选几何必须在昂贵的电磁仿真下满足耦合光学目标。现有管道通过改进 surrogate prediction 或一次性参数推荐来提高效果，但它们不在迭代试验中积累可重用设计知识。我们将 PCF 逆设计建模为记忆-策略学习问题，提出了 SkillPCF，一个闭环智能体框架，集成了基于物理的记忆技能库、强化学习的技能选择以及仿真导向的技能演化。我们进一步构建了一个包含479个专家交互痕迹（2,507个 span）和553个记忆依赖评估查询的真实世界数据集，涵盖色散工程、损耗优化和多目标设计。实验表明，在实际仿真预算下，SkillPCF 在设计质量和效率之间实现更好的权衡，展示了我们所提出记忆技能学习范式在物理感知 PCF 逆设计中的有效性。
引用
@article{arxiv.2605.29421,
title = {Learning Design Skills as Memory Policies for Agentic Photonic Inverse Design},
author = {Shengchao Chen and Ting Shu and Sufen Ren},
journal= {arXiv preprint arXiv:2605.29421},
year = {2026}
}
备注
AI4Physics@ICML 2026