基于深度学习的按需逆向设计具有任意目标带隙的超材料的框架

本研究提出了一种用于预测超材料带隙结构的正向预测和逆向设计的深度学习框架。在正向预测方面，训练了一个卷积神经网络，用于估算超材料的带隙宽度和带隙中频。在逆向设计方面，采用了一个条件变分自编码器（cVAE）网络，其中带隙结构特征（带隙宽度和带隙中频）作为输入，网络预测单元格拓扑结构。一旦训练完成，cVAE解码器能够快速设计出具有用户定义带隙特性的超材料，且无需先验知识。结果表明，这种方法能够准确预测拓扑结构的带隙特性，并高效生成针对目标特性的定制化设计。该方法加速了超材料的设计和优化过程，具有扩展到非对称二维和三维结构的可扩展性，并有望推动超材料研究的创新。