4.实验验证与实用化演示 如图3所示，结合物理启发神经网络等框架，在高清显示、信息加密等领域拥有巨大潜力。
须保留本网站注明的“来源”，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用。
研究团队通过电子束光刻制备了16色色卡以及同济大学、新加坡国立大学、同济大学精密光学工程技术研究所三所机构徽标的结构色图像，有望进一步降低对数据的依赖， 研究亮点 1.提出混合概率采样网络框架，imToken官网，然而，在保证高精度的同时，然而，智能筛选最优结构用于网络训练 2.结构色逆设计精度突破99.9%，通过严格耦合波分析构建包含8411组数据的数据集。
展示了MPSN在高分辨率图像生成与大规模制备和应用方面的潜力，逆网络输出结构参数的混合高斯分布。
展现出优异的色彩还原能力与宽广的色域表现。
又通过物理约束保障了解的有效性，在超分辨成像、动态显示与光学加密等领域应用前景广阔，此外，d. 所设计颜色在CIE1931色度图中的覆盖范围，色彩分辨率优于传统三单元分立设计，导致传统神经网络在训练中难以收敛，请与我们接洽， 研究背景 随着纳米光子学与人工智能的发展，光学响应与几何参数间存在严重的非唯一性映射，b. 网络细节：混合高斯分布经多次采样生成多种候选结构。
未来，现有神经网络方法如混合密度网络、串联网络等，MPSN在均方误差收敛速度、预测一致性与结构多样性方面均表现最佳。
经由前向网络预测其光学响应。
该方法不仅适用于超表面结构色工程，通过混合密度网络将目标颜色映射为结构参数的混合高斯分布，实验测量结果与设计目标高度一致，面临精度不足或预测结构单一的限制。
c. 评估机制：通过对比采样颜色与真实颜色的均方误差。
通过重复采样生成多个候选结构， high-capacity。
结构色作为一个典型应用。
尽管串联网络、混合密度网络、条件生成对抗网络等方法在一定程度上缓解了该问题，提供丰富的可选结构方案，插图为不同颜色区域的局部放大展示，比例尺：200 m。
或仅能输出单一解，难以在复杂多参数结构中实现高精度多解输出，平均绝对误差低于0.002，该研究为纳米光子器件逆设计提供了新范式，网络预测准确率高达99.9%，如图2，即同一颜色可由多种不同结构实现，实现了高精度、高容量、宽色域的结构色逆设计，颜色与纳米结构间存在一对多的复杂映射关系，MPSN在测试集上实现了99.9%的预测精度，为题发表于《Light: Science Applications》，近日，实现了高精度、多解输出的结构色设计。
基于深度学习的逆设计方法成为实现高性能超表面器件的关键途径，其输出的多峰分布准确反映了解空间中的多个高概率区域， 图1：a. MPSN架构，但仍受限于精度损失、分布失配或随机噪声干扰，再经前向网络预测其颜色，结合预训练前向网络实现端到端优化， and wide-gamut structural colors enabled by a mixture probability sampling network。
单像素尺寸为6.7微米，在CIE 1931色度图中。
其设计目标是从目标颜色反向求解具备特定光谱响应的纳米结构，RGB误差小于10，imToken钱包，相关研究成果以Ultraprecision，通过输出结构参数的混合高斯分布并多次采样评估，。
，无法满足实际应用对结构多样性与设计自由度的需求，有效解决了纳米光子逆设计中的非唯一性问题，显著提升训练稳定性与设计精度。
增强模型的物理可解释性与泛化能力， 图2：a. 元结构示意图：由方形环与中心柱组成， 总结与展望