편미분 방정식(PDE)으로 지배되는 물리 시스템의 역설계는 설계 공간의 고차원성과 비볼록성 때문에 계산 비용이 많이 듭니다. 역설계를 위한 생성 모델은 종종 견고성과 전이성이 부족하며, 반면 진화 전략은 견고하지만 고차원 공간에서 어려움을 겪습니다. 본 논문에서는 차원 축소, 표현 학습, 그리고 진화 최적화를 통합하여 효율적이고 전이 가능한 역설계를 수행하는 신경 연산자 기반 위상 정보 활용 진화 전략(Neural Operator-enabled Topology-informed Evolutionary Strategy, NOTES)을 소개합니다. NOTES는 DeepONet 기반의 신경 연산자를 공분산 행렬 적응 진화 전략(Covariance Matrix Adaptation Evolution Strategy, CMA-ES)과 결합하여, 위상 인식 사전 지식(topology-aware priors)을 인코딩하는 압축된 잠재 공간에서 전역 최적화를 수행하며, 동시에 보지 못한 작동 조건에 대한 고성능 설계를 발견합니다. 맥스웰 방정식으로 지배되는 나노광학 빔 디플렉터 역설계에 적용했을 때, NOTES는 설계 차원을 256개에서 25개로 줄이고 일관되게 95% 이상의 효율을 달성하여 CMA-ES, 위상 최적화 및 다른 기준 모델들을 능가했습니다. 구조 최적화에 적용했을 때도, NOTES는 컴플라이언스(compliance)를 246까지 달성하는 설계를 발견합니다. NOTES는 DeepONet의 위상 학습을 PDE 솔버의 지배 물리 현상으로부터 분리함으로써, 물리 시스템 역설계에 유연하고 전이 가능한 프레임워크를 제공합니다.