CoSP: Reconfigurable Multi-State Metamaterial Inverse Design via Contrastive Pretrained Large Lan...

文章总结与翻译

一、主要内容

该文章针对可重构多态超材料（RMMs）的逆向设计难题，提出了一种基于对比预训练大语言模型（LLM）的智能设计方法CoSP。可重构多态超材料能在外部刺激下切换光学特性，具有广泛应用前景，但现有深度学习逆向设计方法难以兼顾多态切换的可重构性。

CoSP方法包含两个核心阶段：一是多态光谱对比预训练，通过Transformer编码器将不同状态的光谱映射到统一 latent 空间，利用InfoNCE损失最大化同一超材料不同状态光谱的相似度，习得高质量光谱表征；二是材料结构生成，基于预训练GPT-2模型的Transformer解码器，结合光谱表征与交叉注意力机制，以因果语言建模（CLM）为目标生成符合物理规律的材料结构描述。

实验以二氧化钒（VO₂）基可重构多态超材料为研究对象，验证了CoSP的性能：既能精准设计测试集中的多态光谱对应的材料结构，又能逼近现实中不存在的类方波假设光谱（如红外伪装场景需求），生成的材料性能优于训练集中最优样本，展现出强大的泛化能力。同时，通过UMAP可视化和相似度矩阵分析，证实了CoSP习得的光谱表征能有效区分不同状态并保持样本内部关联性。

二、创新点

1. 首次实现多态超材料的智能逆向设计：突破现有方法仅针对单一状态设计的局限，通过对比预训练让模型理解多态光谱关联，实现同一材料多状态光学特性的同步优化。
2. 融合LLM的跨模态交互机制：将光谱表征与预训练LLM结合，既保留语言模型的语义理解能力，又让模型间接掌握麦克斯韦方程组，能用自然