用于集成纳米光子器件逆向设计的生成式深度学习模型

基于摘要分析。本文研究集成纳米光子器件的逆向设计，提出条件变分自编码器（CVAE），用于生成满足目标光学响应的纳米图案化器件，并引入 adversarial censoring 与主动学习以改善模型的预测能力。主要研究对象是纳米图案化功率分束器，而非神经信号分析或 BCI。 设计空间包含 20 × 20 个刻蚀孔位置，各位置的孔半径从给定范围中选取。摘要未说明器件几何的具体编码方式、目标响应如何作为条件输入，以及 adversarial censoring 的约束对象、损失形式或主动学习的样本选择策略，因此尚不能据此还原训练流程。 作者报告，所生成的功率分束器可实现任意分光比，并在 1250–1800 nm 波长范围内获得覆盖 550 nm 的宽带光学响应；按所述方法设计的器件在该工作波段内总体透射率约为 90%。这些结果对应光子器件设计任务，摘要未交代其验证是基于仿真、实物测量还是二者结合，也未提供误差分布及具体对照数值，相关实验协议、消融及统计信息尚未验证。 复现前需核对训练数据及其生成成本、目标分光比的测试划分、光学响应评价方式，以及两项改进各自的贡献。作者关于首次成功使用先进 CVAE 设计物理器件的表述属于其优先性主张，尚未独立核验。材料未建立该方法与 EEG/BCI 瓶颈的具体对应关系，不据此提出迁移效果或复现实验建议。