本研究提出了一种迭代残差校正网络（IRC-Net），用于Ku波段基片集成波导组件的逆向设计。该深度学习方法显著提升了设计预测的准确性和泛化能力，实验结果表明其优于传统方法，验证了其有效性和实用性。

谷歌DeepMind的GNoME模型发现了220万种新无机材料，微软推出的MatterGen模型展示了AI在材料逆向设计中的潜力。这标志着材料科学从大规模发现向按需设计的转变。MatterGen已开源，支持根据特定属性生成材料结构，推动新材料研发。

本文提出了锚控生成对抗网络（AcGAN）解决自由形式超表面设计中的电磁响应保真度问题，框架实现结构多样性的同时优先考虑电磁保真度，引入谱重叠系数作为测量电磁质量的指标，简化设计过程，推动超表面逆向设计创新。

我们展示了一种多保真度（MF）机器学习集成框架，用于逆向设计光子表面。该框架基于高通量飞秒激光加工制备的11,759个样本的数据集进行训练。实验证明该方法在能量收集应用中的光子表面逆向设计中具有强大的工具。

该研究使用概率生成方法解决了逆向设计问题，通过压缩设计元激元和光学反应。模型利用有标签和无标签数据进行训练，可加速干涉材料和光子学研究的设计和发现。