面向超表面逆设计的自进化智能体框架

摘要

超表面逆设计已成为实现复杂光学功能的核心，但将目标响应转化为可执行的、与求解器兼容的工作流程仍然需要计算电磁学和特定于求解器的软件工程方面的专业知识。最近的大语言模型（LLM）提供了一种减少工作流构建负担的补充途径，但现有的语言驱动系统在很大程度上仍然受会话限制，并且不能在逆向设计任务中保留可重用的工作流知识。我们提出了一种超表面逆向设计的代理框架，通过上下文级别的技能进化来解决这一限制。该框架将编码代理、不断发展的技能工件和基于物理模拟的确定性评估器结合在一起，以便可以跨任务迭代地细化特定于求解器的策略，而无需修改模型权重或底层物理求解器。我们在跨越多种超表面逆向设计任务类型的基准上评估该框架，并具有单独的训练对齐和保留任务系列。进化的技能将分配任务的成功率从 38% 提高到 74%，将标准通过分数从 0.510 提高到 0.870，并将平均尝试次数从 4.10 减少到 2.30。在保留的任务系列中，二元成功仅略有变化，但最佳裕度的改进以及错误构成和代理行为的变化表明工作流知识的部分转移。这些结果表明，技能进化的主要价值在于围绕可靠的计算引擎积累可重复使用的求解器特定的专业知识，从而为更加自主和可访问的超表面逆向设计工作流程提供了一条实用的道路。

面向超表面逆设计的自进化智能体框架 — 图 1：超表面逆设计的自我演化代理框架概述。左：技能演变面板显示 SKILL.md 文件的四个连续版本，由 MCE 优化器在迭代中进行细化，成功目标 (SG) 率表明逐步改进。元代理分析部署结果并通过代理交叉发展技能。中：编码代理面板，说明解耦的代码生成组件如何使用进化的技能文件并使用通用工具生成候选优化程序。该程序对设计进行参数化，定义损失函数，并通过 TorchRDIT [8] 调用基于梯度的优化。 CodegenEval 块显示了两级 Ralph 式重试结构。在外轮中，内部尝试在修改相同候选程序的同时保留本地上下文反馈，而外轮则重置编码代理会话并仅向前推进最佳先验候选以及紧凑反馈。红色虚线箭头表示代码生成和评估之间的重试循环。右图：物理面板描绘了可微分的 TorchRDIT 管道，从目标光谱 T target ( λ ) T_{\mathrm{target}}(\lambda) 和通过基于梯度的优化 ( θ t + 1 = θ t − η ∇ ℒ \theta_{t+1}=\theta_{t}-\eta\nabla\mathcal{L} ) 到所获得的光谱进行评估身体标准（SG、CPF、BM）。