NEAT 用于优化手性光子超表面

本文介绍了在用于设计手性超表面的深度学习框架中应用神经进化增强拓扑结构 (NEAT) 算法的新方法。主要贡献是神经网络架构的自动演化，消除了手动调整的需要，并可能提高性能和资源效率，与传统方法相比。这项研究侧重于优化这些超表面的设计，由于几何形状和光学特性之间复杂的非线性关系，这在纳米光子学中是一个具有挑战性的问题。NEAT 的使用允许创建特定于任务的架构，从而提高预测准确性和泛化能力。本文还强调了模拟数据和实验数据之间迁移学习的潜力，这对于实际应用至关重要。这项工作展示了通往自动化光子设计和智能代理人工智能的可扩展途径。