Motores de simulación numérica y arquitecturas de aprendizaje profundo para el diseño inverso de metamateriales multicapa

Resumen

El diseño inverso de metamateriales multicapa —estructuras artificiales con propiedades electromagnéticas, acústicas, térmicas o mecánicas diseñadas a medida— constituye un problema de optimización de alta dimensionalidad que ha impulsado la integración del aprendizaje profundo en la fotónica computacional y la ciencia de materiales. Este artículo presenta una revisión sistemática de la literatura realizada siguiendo el protocolo PRISMA 2020, orientada a mapear los métodos de simulación numérica empleados como motores directos o generadores de datos de entrenamiento dentro de flujos de trabajo de diseño inverso asistido por aprendizaje profundo. A partir de 392 registros recuperados de Scopus y Web of Science en el periodo 2010–2025, un proceso de cribado multietapa basado en un índice heurístico de priorización denominado CARS (Citation-Adjusted Relevance Score) permitió identificar 44 artículos centrales. Se identificaron once métodos numéricos distintos, organizados en dos capas conceptuales: motores clásicos de simulación (método de elementos finitos, optimización topológica, expansión en modos guiados, método adjunto y algoritmos genéticos) y arquitecturas de aprendizaje profundo (CNN en tándem, transformer, GAN, PINN y redes neuronales difractivas). Los resultados evidencian un predominio del dominio electromagnético-fotónico (72 %), un crecimiento acelerado de las publicaciones basadas en aprendizaje profundo a partir de 2022, y una tendencia clara hacia flujos híbridos que combinan física, datos y aprendizaje. La revisión concluye proponiendo una hoja de ruta experimental priorizada para futuras investigaciones.