综述：光学多层薄膜结构逆向设计：从优化到深度学习

《iScience》：Optical multilayer thin film structure inverse design: From optimization to deep learning

这篇综述系统梳理了光学多层薄膜结构（OMTFS）逆向设计领域从传统优化方法到深度学习算法的演进历程。作者团队来自密歇根大学，重点对比了针状优化（Needle Optimization）、粒子群算法（PSO）、遗传算法（GA）等传统方法，以及串联网络（Tandem Networks）、变分自编码器（VAE）、混合密度网络（MDN）等深度学习模型。创新性地提出序列表征（Sequential Representation）方法如OMLPPO和OptoGPT23,39，实现了材料选择、厚度设计和层数确定的全局自动化设计（Global Design），为解决光电器件（如光伏设备、结构色涂层）的一对多映射（One-to-Many Mapping）难题提供了新范式。

　　

光学多层薄膜结构作为一维光子平台，在光伏、显示、辐射冷却等领域具有重要应用。其逆向设计需要同时确定层数、材料序列和厚度参数，传统方法面临全局设计（Global Design）、高效设计（Efficient Design）、多样性设计（Diverse Design）和柔性设计（Flexible Design）四大挑战。

优化算法时代的设计探索
早期设计依赖物理直觉，随着复杂度提升，启发式算法崭露头角。粒子群优化（PSO）通过模拟鸟群觅食行为，将每层厚度视为粒子轨迹进行局部优化，在1000-2000nm波段带通滤波器设计中取得突破。遗传算法（GA）引入生物进化概念，采用交叉突变操作处理离散材料变量，成功设计出反射率90%的抑制滤光片。针状优化通过动态增减层数，可生成数百种等效设计方案。混合整数规划（MIP）结合遗传算法，首次实现宽光谱辐射冷却器件的材料-厚度协同优化。这些方法虽突破局部设计局限，但耗时数小时的计算成本制约了实际应用。

深度学习带来的范式革新
2018年串联网络（Tandem Networks）首次将神经网络引入该领域，通过前向网络（FNN）和逆向网络（INN）的级联，将设计时间缩短至毫秒级。后续改进采用ReLU激活函数和中间结构损失，使高斯形光谱设计误差降低60%。生成式模型展现出更强潜力：变分自编码器（VAE）通过潜空间采样，可输出3种等效结构色方案；生成对抗网络（GAN）在Ag-SiO₂-Ag三明治结构中，平均每个RGB色彩对应3.58种设计方案；混合密度网络（MDN）采用16组分高斯混合模型，精准捕捉传输谱的多峰分布特性。这些模型虽解决了一对多映射难题，但仅能优化厚度参数的局限仍未突破。

混合算法的协同突破
全球优化网络（GLOnet）开创性地将生成网络与传输矩阵法（TMM）结合，通过可微分仿真实现梯度反传，设计出平均反射率1.81%的超宽带增透膜。神经粒子群优化（NEUTRON）采用两阶段策略，先通过分类器预测材料组合，再用MDN初始化厚度分布，最终PSO优化实现结构色色差ΔE<1.5。这类方法虽整合了全局设计与高效优势，但迭代过程仍需分钟级计算。

序列表征的终极方案
最新进展OMLPPO算法借鉴强化学习，将每层设计视为马尔可夫决策过程，动态终止层数设计。其升级版OptoGPT采用条件序列生成架构，如同"光学领域的ChatGPT"，可同时处理传输谱、吸收谱和结构色三类任务。实验证明，该模型在10层结构设计中，仅需0.3秒即可输出符合柔性约束（如顶层必须为电介质）的方案，设计效率较传统优化提升3600倍。这种序列到序列（Seq2Seq）的范式，标志着光学薄膜设计正式进入智能化时代。

未来发展方向包括开发多物理场耦合模型、建立标准化材料数据库，以及探索量子计算辅助设计。正如作者指出，当深度学习遇上序列表征，这个诞生于1950年代的经典光学领域，正在焕发全新的生命力。