Quanten-inspirierter genetischer Algorithmus zur Gestaltung planarer Multilayer-Photonikstrukturen

Quantenalgorithmen sind aufkommende Werkzeuge in der Gestaltung funktioneller Materialien aufgrund ihrer leistungsstarken Suchfähigkeit im Lösungsraum. Wie man den hohen Preis von Quantencomputing-Ressourcen mit den wachsenden Rechenbedürfnissen in Einklang bringt, ist ein dringendes Problem, das gelöst werden muss. Wir schlagen eine neuartige Optimierungsstrategie vor, die auf einem aktiven Lernschema basiert und den verbesserten Quantum Genetic Algorithm (QGA) mit der Regression von Maschine-Learning-Surrogatmodellen kombiniert. Die Verwendung von Random Forests als Surrogatmodell umgeht das zeitaufwendige physikalische Modeling oder Experimente und verbessert damit die Optimierungseffizienz. QGA, ein genetischer Algorithmus, der mit Quantenmechanik versehen ist, kombiniert die Vorteile des Quantencomputing mit genetischen Algorithmen, sodass eine schnellere und robustere Konvergenz zum Optimum ermöglicht wird. Anhand des Designs von planar multilayer-Photonikstrukturen für transparente radiative Kühlung als Testbed zeigen wir die Überlegenheit unseres Algorithmus gegenüber dem klassischen genetischen Algorithmus (CGA). Zusätzlich zeigen wir den Genauigkeitsvorteil des RF-Modells als flexibles Surrogatmodell, das die Einschränkungen hinsichtlich der Art des Surrogatmodells, das in anderen Quantencomputing-Optimierungsalgorithmen verwendet werden kann (z. B. benötigt das Quanten-Temperieren das Ising-Modell als Surrogat), lockert.