利用可逆神经网络解决逆向光子设计中的多模态器件分布问题

逆向设计，即匹配器件或过程参数以展现期望性能的过程，被应用于从材料设计、化学过程到工程学的诸多学科。机器学习已成为一种有前景的方法，用以克服由参数空间维度与多模态参数分布所带来的当前局限。大多数传统优化例程假设设计参数与目标性能之间存在可逆的一一映射。然而，可比甚至相同的性能可能由不同设计实现，从而产生逆向设计问题可能解的多模态分布，这会使优化算法陷入混乱。在此，我们展示基于可逆神经网络（invertible neural networks）的生成建模方法如何提供逆向设计问题可能解的完整分布，并解决具有多模态分布的纳米器件逆向设计问题的歧义性。我们实现了条件可逆神经网络（cINN）并将其应用于一个原理验证纳米光子问题，即裁剪由亚波长压痕铣削的金属膜的透射谱。我们将该方法与常用的条件变分自编码器（cVAE）框架进行比较，并展示所提出的 cINN 在处理多模态器件分布时具有更优的灵活性与准确性。我们的工作表明，可逆神经网络为推进纳米科学与纳米技术中的逆向设计提供了宝贵且通用的工具包。