Joint Discrete-Continuous Flow Matching for Open-Vocabulary Inverse Design of Multilayer Optical Coatings
作者: Zhiyi Li, Yuheng Jin, Yidan Huang, Nan Chen, Hongyan Fu, Yikun Bu
分类: physics.optics, cs.LG
发布日期: 2026-07-09
💡 一句话要点
提出IrisFlow框架以解决多层光学涂层的开放词汇逆向设计问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 逆向设计 光学涂层 开放词汇 流匹配 材料科学 深度学习 光学常数
📋 核心要点
- 现有的逆向设计方法通常限制于固定的组件选择和离散化的变量，难以适应开放词汇的需求。
- 本文提出IrisFlow框架，通过查询提供动态的材料选择和设计参数，实现开放词汇的逆向设计。
- 在224个任务基准测试中，IrisFlow能够准确重建目标光谱，并在未重新训练的情况下保持高精度，展示了其优越性。
📝 摘要（中文）
传统的神经逆向设计方法通常局限于封闭世界，组件选择固定，坐标网格在训练时冻结，连续变量被离散化为序列标记。针对多层光学涂层这一工业重要实例，本文提出了IrisFlow框架，支持在查询时提供目标反射/透射光谱、波长网格、候选材料光学常数和层数。候选材料以波长感知的光学标记形式输入，材料序列通过离散流匹配进行采样，厚度则通过连续流匹配实现无离散化设计。实验表明，IrisFlow在224个任务基准上能够忠实重建目标，并在未重新训练的情况下保持准确性，展示了其在实际应用中的有效性。
🔬 方法详解
问题定义：本文旨在解决传统逆向设计方法在多层光学涂层设计中的局限性，尤其是固定组件选择和离散化变量的问题。这些方法无法灵活应对开放词汇的需求。
核心思路：IrisFlow框架通过查询机制，允许用户在设计时动态选择材料和设计参数，采用离散流匹配和连续流匹配的结合，提升了设计的灵活性和准确性。
技术框架：IrisFlow的整体架构包括查询输入模块、离散流匹配模块和连续流匹配模块。查询输入模块接收目标光谱和材料信息，离散流匹配用于材料序列采样，连续流匹配则用于厚度设计。
关键创新：IrisFlow的主要创新在于其开放词汇设计能力，允许材料以波长感知的光学标记形式输入，而非固定的学习身份。这一设计使得模型能够在未重新训练的情况下适应新的材料库。
关键设计：模型包含136M参数，采用特定的损失函数以优化反射/透射光谱的重建精度。网络结构设计上，流匹配模块的实现确保了厚度和材料选择的高效性。实验中，光学常数经过校准，以适应实际沉积过程。
🖼️ 关键图片
📊 实验亮点
在224个任务基准测试中，IrisFlow成功重建了目标光谱，并在未重新训练的情况下，保持了与15种材料库的同阶准确性。此外，IrisFlow设计的三种色彩显示设备在CIEDE2000色差上达到了3.1-5.2的优异表现，同时保持了93-95%的太阳近红外反射率，展示了其在实际应用中的有效性。
🎯 应用场景
IrisFlow框架在多层光学涂层设计中具有广泛的应用潜力，尤其是在需要灵活材料选择和高精度光谱响应的领域，如光学器件、显示技术和太阳能涂层等。其开放词汇设计能力为未来的材料科学研究提供了新的方向，可能推动更多创新应用的实现。
📄 摘要（原文）
Amortized neural inverse design typically remains closed-world: component choices are fixed vocabulary tokens, coordinate grids are frozen at training time, and continuous variables are discretized into sequence tokens. Multilayer optical coatings are an industrially important instance, coupling material sequence, layer thickness and wavelength-dependent response. We present IrisFlow, a query-based, open-vocabulary flow-matching framework instantiated in coatings: the target reflectance/transmittance spectrum, wavelength grid, candidate-material optical constants and layer count are supplied at query time. Candidate materials enter as wavelength-aware optical tokens rather than learned identities; material sequences are sampled by discrete flow matching over the query's candidate bank, thicknesses by continuous flow matching without discretization. A single 136M-parameter model designs 2-100-layer stacks. Across a 224-task benchmark it reconstructs in-distribution targets faithfully and retains same-order accuracy on a 15-material held-out bank without retraining; it reconstructs bands up to 1100 nm beyond its training envelope, designs against analytic application specifications and outperforms an autoregressive baseline on that baseline's material library. With optical constants calibrated to our deposition process, IrisFlow designs four color-displaying coolers, fabricated by ion-assisted evaporation: the three chromatic devices reach a CIEDE2000 color error of 3.1-5.2 while retaining 93-95% solar near-infrared reflectance, demonstrating open-vocabulary design carried through to fabricated coatings.