神经边际方法用于元光学：通过傅里叶神经算子加速体积逆设计

元光学承诺着实现紧凑、高性能的成像和颜色路由，但高性能结构的设计是一项高维优化问题：将期望的光学输出映射回物理3D结构需要迭代求解计算昂贵的Maxwell方程。即使采用边际优化方法，宽带设计也可能需要数千次Maxwell求解，从而使工业级优化缓慢且成本高昂。为克服这一挑战，我们提出了神经边际方法（Neural Adjoint Method），这是一种由求解器监督的代理模型，通过傅里叶神经算子（Fourier Neural Operator, FNO）从体素化介电常率体积预测3D边际梯度场。通过学习驱动梯度更新的稠密、逐体素灵敏度场，我们的方法可将每次迭代中的边际求解替换为快速预测，从而大幅降低迭代细化期间所需的全波仿真计算成本。为更好地保留灵敏度峰值，我们引入一种阶段性FNO，该方法逐步细化残差误差，并随之增加对高频分量的重要性。我们从配对的前向/边际FDTD仿真中构建了元光学数据集，并在三个任务上进行评估：光谱排序（颜色路由器）、色差聚焦（金属透镜）以及波导模式转换。我们的方法将设计时间从数小时缩短至数秒。这些结果表明，AI加速的科学计算为实现快速、大规模的体积型元光学设计提供了一条实用路径。