【佐治亚理工｜Small Methods】HiLAB：融合VAE与贝叶斯优化的纳米光子逆设计框架

      PART 1    

        文章信息      

      题目    

    HiLAB: A Hybrid Inverse-Design Framework  

      作者    

    Reza Marzban, Hamed Abiri, Raphaël Pestourie, Ali Adibi  

      单位    

    美国佐治亚理工学院电气与计算机工程学院；佐治亚理工学院计算科学与工程学院  

      期刊    

    Small Methods，2025 / Vol.9  

      DOI    

    10.1002/smtd.202500975  

      PART 2    

        一句话概括      

    HiLAB 提出一种结合拓扑优化、生成模型与贝叶斯优化的混合逆设计框架，在显著减少电磁仿真次数的情况下实现多功能纳米光子器件设计。  

通过在低维潜在空间中搜索设计方案，HiLAB 将计算成本降低一个数量级，同时避免传统拓扑优化易陷入局部最优的问题。

      PART 3    

        研究背景与科学问题      

    逆向设计技术正在改变纳米光子器件的设计方式。传统方法通过拓扑优化（Topological Optimization, TO）不断更新材料折射率分布，从而最大化目标性能函数（FoM）。这种方法能够探索复杂自由形态结构，因此在超表面、光学成像和非线性光学等领域取得显著进展。  

    然而，传统 TO 方法存在明显局限。优化过程往往容易陷入局部最优，需要大量随机初始化和重复运行才能覆盖设计空间。此外，为了降低计算复杂度，很多工作会固定关键物理参数（如厚度和周期），这可能错过真正最优的物理工作模式。  

    深度学习方法虽然可以快速生成候选结构，但它们通常需要大量标注数据（结构—响应对）。在纳米光子设计中，这些数据必须通过全波电磁仿真生成，成本极高。同时，大多数深度学习方法仍然依赖简单几何参数化，难以表达复杂自由形态结构。  

    在多功能器件（例如多波长或多偏振器件）设计中，这些问题更加严重。以RGB 消色差光束偏折器为例，需要在不同波长下实现相同偏折角，同时保持均衡效率，这对设计空间探索提出了极高要求。  

关键挑战

传统拓扑优化容易陷入局部最优，需要大量随机重启

深度学习方法需要庞大训练数据，生成成本极高

现有方法难以同时优化几何形状与物理参数

多波长或多功能器件设计的搜索空间极其庞大

核心问题：如何在保证自由形态结构表达能力的同时，大幅降低纳米光子逆设计的计算成本。

      PART 4    

        技术原理与创新点      

    HiLAB（Hybrid Inverse-design with Latent-space learning, Adjoint-based partial optimizations, and Bayesian optimization）提出一种混合逆设计框架，将物理优化与生成式 AI结合。  

    核心思想是：

先用早停拓扑优化生成一批“还不错但未完全优化”的结构，再用VAE 将这些结构压缩到低维潜在空间，最后在该空间中使用贝叶斯优化（BO）搜索最优设计。  

    这种方法既保留了物理优化产生的高质量结构，又利用机器学习在低维空间高效搜索。  

方法分解

1.

部分拓扑优化（Partial TO）

•

每次优化仅运行约 35 次迭代

•

同时随机改变物理参数（厚度、周期等）

•

生成多样化初始设计

2.

数据增强

•

使用形态学操作（高斯平滑、腐蚀、膨胀）

•

扩展训练数据而无需额外电磁仿真

3.

ViT‑VAE降维

•

使用 Vision Transformer 提取结构特征

•

将 256×128 结构压缩为8 维潜在向量

4.

贝叶斯优化搜索

•

在8维潜在空间 + 3个物理参数的 11维空间中搜索

•

每次候选设计只需一次 FDTD 仿真评估

text

HiLAB pipelinePartial TO runs      Dataset augmentation      ViT-based VAE      Low-dimensional latent space      Bayesian Optimization      FDTD evaluation

创新清单

提出TO + VAE + BO的混合逆设计框架

将高维自由形态结构压缩为8维潜在空间

同时优化几何形状 + 物理参数

将电磁仿真需求降低一个数量级

本质区别：传统 TO 在高维设计空间局部搜索，而 HiLAB 在学习到的低维设计流形上进行全局探索。

      PART 5    

        实验验证与性能      

    作者以RGB 消色差超表面偏折器为实验验证对象。

目标是在 470 nm、550 nm、660 nm 三个波长下实现相同偏折角41.3°。  

    实验流程包括：  

FDTD 电磁仿真评估设计性能

电子束光刻制备 TiO₂/SiO₂ 双层超表面

多波长光学实验测量偏折效率

评测维度

1.

计算效率

•

传统 TO：约14,000 次仿真

•

HiLAB：约1,400 次仿真

2.

光学效率

•

红光：约 25%

•

绿光：约 24%

•

蓝光：约 24%

3.

消色差性能

•

三个波长均在41.3° 偏折角处出现效率峰值

关键结果表

HiLAB 在减少约 10 倍仿真成本的同时，实现了更高且更均衡的多波长偏折效率。

      PART 6    

        学术贡献      

提出一种结合物理优化与生成模型的混合逆设计框架

利用 VAE 实现4000 倍设计维度压缩

证明低维潜在空间可有效表示自由形态超表面

在实验中实现高效率 RGB 消色差偏折器

该工作展示了 AI 与物理优化深度融合的逆设计新范式。

      PART 7    

        局限性与未来方向      

    尽管 HiLAB 在效率和性能上表现优异，但仍存在一些局限。  

    首先，VAE 学到的潜在空间依赖于训练数据分布。如果设计任务变化较大（例如从偏折器变为吸收器），潜在空间可能需要重新训练。  

    其次，目前的优化目标主要集中在性能指标，对制造误差和环境扰动的鲁棒性仍需进一步增强。  

    未来研究还可以探索更复杂的生成模型以及更高维的物理约束。  

待解决问题

跨任务潜在空间迁移能力

更复杂器件（大面积超表面）设计

更强制造容差优化

多波长器件实验验证

下一步关键方向是将该框架扩展到更大规模、更多功能的纳米光子器件设计。

      PART 8    

        总结      

    本文提出 HiLAB 混合逆设计框架，将拓扑优化、生成式深度学习和贝叶斯优化有机结合。通过在低维潜在空间中搜索设计方案，该方法显著降低计算成本，同时保持自由形态结构的表达能力。  

    实验结果表明，HiLAB 能够高效设计多波长消色差超表面，并在效率和均衡性上优于传统方法。  

HiLAB 展示了一种高效探索复杂纳米光子设计空间的通用方法。

      PART 9    

        图文赏析      

Figure 1

所展示的用于多波长超表面优化的 HiLAB 流程概览。该超表面由 SiO2 和 TiO2 组成的图案化双层结构构成，制备在熔融石英衬底上。a) 在不同物理参数下进行多次部分拓扑优化（TO）运行，包括 t1（TiO2 厚度）、t2（SiO2 厚度）以及单元周期 Λy。x 方向的周期 Λx 固定为 5 μm，以实现 41.3° 的偏折角。

Figure 2

在部分 TO 迭代 1、18、27 和 35 次过程中的超表面设计演化。a) 折射率分布从接近随机初始化（迭代 1）逐渐发展为以二值化为主的图案（迭代 35）。b) 对应的红光（660 nm）、绿光（550 nm）和蓝光（470 nm）波长下的偏折效率作为输出角度函数绘制。目标（设计）偏折角对所有波长均为 41.3°，每个效率峰值在连续迭代中逐渐接近这一共同角度。c) 部分优化结构（迭代 35）在三种波长下的 xz 平面电场分布。黑色箭头突出显示向目标输出角度传播的偏折波前。

Figure 3

基于 ViT 的 VAE 在部分优化超表面设计的降维与重构中的验证。列对应五个代表性器件布局。行 (a) 显示作为输入的原始拓扑优化结构（Original 1–5）。行 (b) 显示学习到的潜在空间表示（Latent Space 1–5），其中每个 8 维向量被投影为 2×4 网格并以颜色图表示。行 (c) 展示 VAE 解码后的输出（Reconstructed 1–5），与各自输入高度一致。行 (d) 显示像素级重构误差（Reconstruction Error 1–5），计算为原始图案与重构图案的绝对差值：|Original − Reconstructed|，在大多数区域接近于零，仅在自由形状结构边缘处出现明显偏差。极小的误差值和高度一致的结构对应关系表明，VAE 在将输入维度从 256×128 压缩到 8 的同时，仍有效捕获关键自由形态特征，实现超过 4000 倍降维。

Figure 4

可视化潜在向量各个元素如何影响生成的超表面图案。a) 随机选择的 8 维潜在向量 [2.0, 0.0, 2.5, −1.5, −0.1, 0.5, 1.1, −1.4] 通过训练好的模型解码生成二值图案。b) 示意图突出显示每一行中被改变的潜在分量（1 到 8，红色方框）。c) 在保持其他七个分量不变的情况下，将所选潜在分量从 −2.0 扫描到 +2.0 所生成的二值输出。因此，每一行对应一个特定潜在分量，每一列对应该分量的一个取值。结构变化的明显差异表明学习到的潜在空间具有可解释性和解耦特性，不同元素控制不同的图案特征。

Figure 5

11 维设计空间 x 的二维 PCA + 核密度估计（KDE）可视化，该设计空间由式 (11) 定义（由 8 个潜在变量和 3 个物理参数 t1、t2 和 Λy 组成）。a) 来自 70 次独立 TO 运行的结果，每次运行包含 200 次迭代。对于每次运行，物理参数随机采样以生成多样化初始条件，并使用训练好的 VAE 对最终结构进行编码以提取 8 个潜在特征。随后将其与物理参数结合构建完整设计向量 x 用于 PCA–KDE 可视化。最佳 FoM 为 0.188（在三种波长之间的最小效率为 18.8%）。b–f) HiLAB 框架在每 70 次迭代间隔（0–70、70–140、140–210、210–280、280–350）下的快照。尽管总共仅需要 1400 次仿真，HiLAB 仍能发现紧凑且高性能的聚类区域，峰值 FoM 为 0.247（在三种波长之间的最小效率为 24.7%）。

Figure 6

a) 将所有评估过的 11 维设计向量 x 投影到二维 PCA 空间。每个点表示潜在几何参数与物理超参数的特定组合，并根据截至该迭代在波长（660、550 和 470 nm）上的最小模拟 FoM 进行颜色编码。FoM 数据的聚类清楚表明优化器正系统地探索高性能区域。一个代表性的最优设计（θ*）由黑色箭头标出，其物理参数为：周期 Λy = 500 nm，TiO2 厚度 = 196 nm，SiO2 厚度。

Figure 7

a) 优化后超表面单元的折射率分布。b) 制备的超表面偏折器的 SEM 图像。插图（红色框）突出显示对宽带工作至关重要的亚波长起伏结构。比例尺：5 μm（主图）和 1 μm（插图）。c) 三个设计波长（470 nm、550 nm 和 660 nm）下输出角度函数的实验测得偏折效率。靠近 θ = 41.3° 的显著效率峰值确认了该超表面的宽带且特定角度的光束偏折性能。测量效率与理论模拟（红光 25.0%、绿光 24.2%、蓝光 24.1%）吻合良好。d) 宽带光学表征系统示意图。来自宽带光源的准直光束经过线性偏振片和成像光学系统后照射到物体和超表面上，然后被聚焦到 CCD 探测器上。