变分矿工生成对抗网络：面向纳米光子结构设计的生成式AI高效知识迁移架构

这篇研究提出了一种创新的"变分矿工生成对抗网络(Variational MineGAN)"架构，通过直接建模目标数据的均值和方差分布，解决了传统生成模型(GAN/VAE)在纳米光子器件设计中面临的数据稀缺和训练耗时难题。相比传统迁移学习和MineGAN方法，该框架显著降低了计算开销，在FID和IS指标上展现出优越性能，为光子学逆向设计提供了更高效的AI解决方案。

　　

Highlight

生成对抗网络(GAN)由生成器(Generator)和判别器(Discriminator)组成双网络体系。判别器负责区分真实样本与生成样本，而生成器则将随机噪声映射为图像。Goodfellow等人提出的经典GAN公式通过求解两人极小极大问题来达到纳什均衡，其数学表达式为：$\underset{G}{min}\underset{D}{max}{E}_{x～p_{\text{data}}\left(x\right)}[\log ??D(x\left)\right]+E_{z～p\left(z\right)}[\log ??(1?D\left(G\right(z\left)\right)\left)\right],$

Results and discussion

我们对四种生成方法进行了全面评估：从零开始训练(ProGAN)、迁移GAN、MineGAN以及我们提出的变分MineGAN。采用Fréchet起始距离(FID)和起始分数(IS)作为核心评估指标。FID通过计算特征分布的Fréchet距离来衡量生成图像与真实图像的相似度，这些特征...

Conclusion

本研究提出的变分MineGAN框架，通过变分矿工网络调整潜在空间，有效解决了生成模型在小数据集上的过拟合难题。该架构在FID指标上展现出显著优势，为纳米光子结构的生成式AI设计提供了更高效的知识迁移方案。