나노광학 역설계 분야에서 원하는 전자기적 응답을 달성하는 구조의 계산적 발견은 중요한 역할을 한다. 기존의 직관 기반 또는 반복적 최적화 방법은 복잡한 설계 공간과 전자기 시뮬레이션의 높은 계산 요구 사항으로 어려움을 겪는다. 최근 머신러닝(ML)이 이러한 병목 현상을 효과적으로 해결하는 데 등장했다. 본 논문은 ML 기반 역설계 방법론을 표현 학습의 관점에서 분석하며, 이를 출력 측 접근법과 입력 측 접근법으로 분류한다. 출력 측 방법은 솔루션 공간에서 표현을 학습하여 최적화를 가속화하는 미분 가능한 솔버를 생성한다. 반면, 입력 측 기술은 가능한 장치 형상의 작고 잠재 공간 표현을 학습하여 생성 모델을 통한 효율적인 탐색을 가능하게 한다. 각 전략은 데이터 요구 사항, 일반화 능력, 새로운 설계 발견 가능성에 대한 고유한 절충점을 제시한다. 물리 기반 최적화와 데이터 기반 표현을 결합한 하이브리드 프레임워크는 국부 최적에서 벗어나 확장성을 개선하고 지식 전달을 용이하게 한다.
