在光子晶体（PhC）晶格设计空间的高效探索中，发展光子晶体表面发射激光器至关重要。虽然耦合波理论（CWT）提供了有效的物理框架，但其计算成本在大规模探索中仍然过于高昂，这推动了对神经代理的需求。然而，现有的人工智能模型未能充分利用CWT所指示的PhC单元格介电模式的两个关键因素：光谱成分和非对称结构，这些因素在很大程度上决定了设备的物理属性。这种不匹配削弱了代理的准确性和筛选的可靠性，尤其是在对结构敏感的区域。为了解决这个问题，我们提出了双域对称感知网络（DDSNet）。它将平移等变光谱滤波与对称诱导的结构先验相结合。光谱滤波为视觉模型注入了光谱归纳偏置，同时在晶格上保持平移等变性。同时，结构先验将晶格特征分解为与不可约表示相关的、对称解析的成分，并在不同分支中处理它们。实验表明，DDSNet在属性预测和高通量筛选方面显著优于现有的AI基线，在对结构敏感的区域表现出更高的可靠性。关键的成分掩蔽分析揭示该网络成功学习了与物理先验对齐的属性特定依赖关系。这些结果表明，DDSNet有效捕捉了物理上有意义的结构-属性关系，为光子晶体设计空间探索建立了一个高度可靠的神经代理。
博主点评： DDSNet通过结合光谱过滤和结构先验，成功提升了光子晶体设计的属性预测精度，展示了深度学习在物理科学中的潜力。这种方法不仅提高了模型的可靠性，还为复杂结构的探索提供了新的思路，值得在更多领域进行深入研究和应用。