PearSAN：基于皮尔逊相关代理退火的逆向设计机器学习方法
机器学习
2025-12-30 v2 人工智能
摘要
PearSAN 是一种针对大设计空间中的逆向设计问题的机器学习优化算法，传统优化器在此类问题上往往难以发挥作用。该算法利用生成模型的潜在空间进行快速抽样，并采用皮尔逊相关代理模型预测真实设计度量的图谱质量。作为示例应用，PearSAN 被用于热光电势垒（TPV）超表面设计，通过匹配热辐射体与光电池的工作带。PearSAN 可与任何预训练的具有离散潜在空间的生成模型集成，易于集成到 VQ-VAEs 和二进制自动编码器中。其新颖的皮尔逊相关损失可作为类似批量归一化和层归一化的潜在正则化方法，也可作为代理训练损失使用。我们比较了各种能量匹配损失，这些损失被证明在正则化和性能方面效果较差，即使考虑了升级的仿射参数。PearSAN 实现了最高达 97% 的设计效率，速度至少快一个数量级，且在最大度量提升方面表现更佳。
引用
@article{arxiv.2412.19284,
title = {PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing},
author = {Michael Bezick and Blake A. Wilson and Vaishnavi Iyer and Yuheng Chen and Vladimir M. Shalaev and Sabre Kais and Alexander V. Kildishev and Alexandra Boltasseva and Brad Lackey},
journal= {arXiv preprint arXiv:2412.19284},
year = {2025}
}