综述:人工智能赋能的超表面设计:功能视角

《Intelligent Opto-Electronics》:Artificial intelligence-enabled metasurface design: a functional perspective

【字体: 大 中 小 】 时间:2026年10月23日 来源:Intelligent Opto-Electronics

编辑推荐:

   1 引言 超表面作为超材料的二维对应物,通过亚波长尺度结构提供了定制电磁波的紧凑平台。通过工程化周期性或准周期性元原子阵列,超表面可以控制相位、振幅、偏振和光谱响应,从而实现聚焦、全息成像、涡旋光束产生、光谱滤波和主动调制等功能。然而,随着多个光学功能或自由度的同时指定,超

  

1 引言

超表面作为超材料的二维对应物,通过亚波长尺度结构提供了定制电磁波的紧凑平台。通过工程化周期性或准周期性元原子阵列,超表面可以控制相位、振幅、偏振和光谱响应,从而实现聚焦、全息成像、涡旋光束产生、光谱滤波和主动调制等功能。然而,随着多个光学功能或自由度的同时指定,超表面设计变得越来越复杂。超表面设计之所以困难,原因有几方面。设计空间通常是高维的,且几何结构与光学响应之间的映射往往高度非线性,因为器件性能对谐振效应和近场耦合极为敏感。对于准周期性超表面,局部单元胞设计可能也不够,因为胞间耦合会显著影响全局响应。此外,实际设计通常需要在光学性能、制造公差和鲁棒性之间进行权衡。传统设计流程往往难以应对此类情况。经验驱动的策略往往将探索局限于熟悉的结构族中,而穷举参数扫描则很快变得代价高昂。更为系统的逆向设计方法,无论是无梯度策略还是基于梯度的方法,往往依赖于反复的全波仿真,其计算成本随问题规模急剧上升。这些局限性促使了人工智能在超表面设计中的应用。在由全波仿真生成的数据进行训练的神经网络可以作为结构和光学响应之间非线性映射的代理模型,从而降低评估成本。基于人工智能的逆向设计框架也可以加速在高维设计空间中寻找有前景的结构。在实践中,人工智能通常与基于物理的求解器结合使用,而非作为独立的替代方案。除了单个元原子的结构级设计之外,人工智能还实现了系统级的协同设计,其中超表面作为紧凑的光学前端,神经网络执行下游重建或推理,使得光学硬件和重建算法可以联合优化。本综述重点关注人工智能在超表面设计中的融入,特别是与物理先验和数据驱动方法的结合,相关发展在最近关于人工智能用于人工超材料和人工智能驱动的太赫兹逆向设计的综述中有所涉及。第2节介绍了主要的人工智能方法,包括正向建模、逆向设计和生成式方法。第3节综述了波前工程、偏振控制和光谱或多功能器件中的代表性应用。第4节讨论了主要挑战,第5节展望了人工智能赋能超表面研究的未来方向。贯穿全文,超表面始终是核心主题:我们既回顾人工智能辅助的逆向设计,也涵盖光学-计算协同设计,同时将人工智能视为提高设计效率和实际可实现性的工具。

2 人工智能赋能的超表面设计方法

人工智能赋能的超表面设计最好按照学习在设计回路中所扮演的角色来组织。正向建模学习结构到响应的方向,主要用作频谱、相位、偏振或场观测量的高速评估器。逆向设计处理反向的目标到几何方向,必须处理非唯一解空间,其中多个结构可以实现相似的光学响应。混合优化将学习的评估器或提案模型与外部搜索算法和物理求解器耦合,使得人工智能加速探索而不替代电磁验证。端到端协同设计将超表面和下游重建、传感或推理网络视为单一的任务级系统,联合优化光学编码和数字解码。这四种问题设定定义了核心的设计端工作流程,而混合和组合架构可能贯穿于多个阶段而非形成独立类别。在高层面上,本综述根据优化目标区分了用于超表面的人工智能与用于人工智能的超表面。第2.1至2.3节讨论前者,其中人工智能支持电磁建模和结构优化,而第2.4节讨论后者,其中超表面与神经后端联合优化作为面向任务的物理编码器。第2.5节中的物理嵌入学习适用于两个方向。光学模拟计算和光学神经网络架构不在本综述范围之内,除了超表面直接集成到任务级光学计算协同设计中的情况。图1总结了这一分层逻辑:上层组织了主要的问题设定,中层汇集了代表性的模型族,下层强调了物理嵌入学习作为跨阶段原则。讨论遵循相同的结构。

图1 人工智能赋能的超表面设计的分层框架。上层总结了主要的设计回路角色:正向建模学习结构到响应的预测,逆向设计在非唯一映射下搜索目标到几何方向,混合优化将学习模型与外部优化器和物理求解器结合,端到端协同设计联合优化光学编码与数字重建或推理。中层汇集了可以出现在多种角色中的代表性模型和架构族。下层强调物理嵌入学习作为跨阶段原则,包括解析物理先验、物理约束、可微求解器和制造感知约束。

2.1 正向建模

正向建模学习从超表面几何结构到电磁响应的映射,仍然是人工智能在纳米光子学设计中最成熟的切入点。输入是元原子或局部布局的几何或拓扑描述,输出则是频谱、相位延迟、偏振响应、场分布或其他任务特定的观测量。一旦在求解器生成的数据集上进行训练,此类模型可以替代大量重复的全波评估,加速参数扫描、敏感性分析和外环优化。训练通常依赖于将结构参数与全波求解器如有限差分法、有限元法或半解析方法如传递矩阵法、平面波展开法和 RCWA 计算出的光学响应配对的数据集。在监督设置中,网络在预先收集的结构-响应对上训练,然后在留出数据上评估泛化能力。一旦训练完成,代理模型可以比直接数值仿真更快地预测器件响应。然而,这一推理优势不包括数据生成和训练的前期成本。为了摊销这些成本,模型应该在物理一致的设计族中可重复使用,而不是为每个器件重新训练。因此,其覆盖范围必须在预测精度和代表性训练数据之间取得平衡,特别是在对后续优化相关的区域。用于超表面响应预测的主流架构包括多层感知器、卷积神经网络和循环神经网络。

2.1.1 前馈网络

当元原子由紧凑的标量参数集描述时,多层感知器提供最直接的代理架构,将几何映射到频谱、相位延迟和等效折射率。Nadell等人使用多层感知器预测硅元原子的宽带透射频谱,与全波仿真相比大幅降低了每次查询的训练模型评估时间,同时与全波结果保持密切吻合。类似的前馈代理也用于透射和相位预测、色散工程和金属透镜及光束偏折器中的参数化元原子库。这些研究表明,当几何-响应关系平滑且设计空间参数化良好时,多层感知器是有效的。全连接映射也作为更广泛架构的构建模块,但其在锐利谐振和高Q或近束缚态不连续区域附近的精度会下降,因为微小的几何扰动会引发大幅的光谱偏移。预测误差集中在窄特征附近,纯粹的数据驱动回归器除非对响应进行重新参数化或引入物理先验,否则会变得不稳定。分别预测复数透射系数的实部和虚部可以缓解相位包裹不稳定性并改善联合振幅-相位预测。当紧凑参数化不再可行时,正向建模必须转向空间表征学习。

2.1.2 卷积神经网络

对于自由形式或拓扑优化超表面,二值或灰度像素图是自然表征。卷积神经网络利用空间局部性来捕获局部几何基元及其层级组合,使其比多层感知器更适合响应依赖于分布式形状信息的结构。当平移结构、局部相关性或邻域相互作用很重要时,这种表征特别有用。在周期性或准周期性设置下,卷积先验与重复几何特征自然对齐,基于图像的代理可以捕获难以手动编码的响应模式。代表性示例包括Sajedian等人的工作,他们将任意等离激元截面编码为像素图像,并使用级联卷积-循环架构进行宽带吸收预测。卷积神经网络代理也用于替代等离激元探测器优化中的RCWA评估,通过归因分析提高可解释性来建模串联抗反射结构,以及修正大孔径系统中的胞间耦合效应。

2.1.3 循环神经网络

在超表面设计中,循环神经网络及相关序列感知模型不如多层感知器或卷积神经网络常见,但在结构自然有序、分层或级联时它们很有用。典型示例包括多层光子堆叠、耦合波导元件以及响应依赖于顺序组合而非单一平面图案的串行光学组件。LSTM和GRU类型的模型可以编码有序层之间的依赖关系,从而在迁移设置中提高数据效率。Unni等人将多层薄膜建模为有序序列,并使用基于Bi-LSTM的嵌套迁移学习来减少所需的训练数据量。在集成硅光子学中,深度正向模型也被用于级联结构,在训练后提供比FDTD更快的响应评估。

2.1.4 数据策略与泛化

对于正向代理,数据策略往往与网络架构同等重要。复杂的自由形式几何、高维设计变量和尖锐的谐振特征都可能使朴素采样变得低效或有偏。因此,强大的范围内预测指标并不一定保证在分布偏移下具有可靠的行为。在仿真受限的设置中,关键问题是如何使每次新仿真信息量最大化。主动或闭环采样选择模型不确定性最高、多样性最大或与设计目标最相关的新结构。多保真度策略使用低成本数据进行广泛覆盖,并将高保真度仿真保留给关键区域。每次仿真提取多个标签——频谱、场图、偏振响应——进一步拉伸了仿真预算。拉丁超立方采样、自适应采集和不确定性引导扩展等采样策略改善了设计空间覆盖。主动学习特别有吸引力,因为它在当前模型不确定或候选多样性低的区域查询新仿真。Singh等人结合委员会不确定性与潜空间多样性,表明只需非常大的候选池中很小的一部分就足以实现强收敛。此外,利用跨不同材料平台、工作波长带、采样分辨率或相关器件族的迁移学习可以进一步减轻对计算密集型新仿真的需求。从预训练图像模型迁移学习已在20,000个样本上实现了约89%的准确率,并跨介电基底泛化。报告的数据集规模从简单参数化结构的约1,000个样本到复杂自由形式几何的约100,000个样本不等,但真正的样本需求更多地取决于谐振尖锐度、几何自由度和预期的分布偏移,而非原始数量。神经算子方法正将正向预测从离散响应拟合扩展到扩展空间域上的连续场映射,这在性能依赖于非局域耦合或大孔径拼接而非孤立元原子响应时尤其相关。正向代理现在可以为参数化和自由形式元原子提供准确的超快预测。更难的问题在于泛化:模型很少被压力测试应对分布外的材料、斜入射或强长程耦合。弥合这一差距需要能够保留连续场结构和跨尺度相互作用而不回归到全波成本的架构。

2.2 逆向设计

与正向预测相比,逆向设计从根本上更难,因为从目标响应到结构的映射通常非唯一且在某些区域不连续。多个几何结构可以实现几乎相同的频谱、相位或偏振响应,且目标的小幅变化可能将解在解空间的互不连通区域之间移动。在更大孔径下,元件间耦合和独立元原子近似的失效引入了额外的器件级挑战,促使了保留近全波精度的耦合感知逆向模型的发展。因此,在可比较的数据预算下,直接逆向回归往往表现不如正向建模。这种非唯一性不仅是一种困难;它还创造了设计灵活性。有用的逆向设计框架不应仅仅返回一个候选几何,而应暴露一个可行解集,以便后续根据制造公差、鲁棒性、材料约束或系统级目标进行筛选。因此,当前基于人工智能的逆向设计主要沿两个方向发展:通过正向一致性路径稳定逆向预测的双向模型,以及显式表征一对多解分布的生成模型。正向学习和逆向学习因此解决互补但操作上不同的任务。

正向代理模型近似映射超原子设计变量 x 到光学响应 y,而逆向模型则从目标响应 y* 出发,能够生成多个候选器件,这些器件需要进行耦合感知的全波验证。这些路径还必须考虑制造偏差,并在端到端系统中,链接可训练超表面光学、传感器读出和数字神经网络的进行任务级目标。图 2 总结了跨越超原子、器件、制造和系统尺度的这些关系。图 2. 全尺寸图像 ... 耦合物理尺度在 AI 辅助超表面设计中。在超原子尺度上,正向代理 fθ 在全波结构 - 响应数据上进行训练,以将设计变量 x = (p, w, h, ...) 映射到光学响应 y = {T, φ}。在器件尺度上,逆向模型可以根据目标响应 y* 生成多个候选结构;这些候选结构随后经历耦合感知的全波验证,然后保留其中一个。在制造尺度上,线宽变化 Δw、侧壁角 α 和圆角半径 r 被评估,以比较标称响应和鲁棒响应。在系统尺度上,传感器读出将可训练超表面光学与数字神经网络链接,两个可训练组件在任务级损失 Ltask 下联合优化。中心环表明这四个尺度是耦合的,而不是独立阶段。因此,候选生成不等同于设计验证。提出的结构必须使用代理、全波求解器或两者进行评估和排名,同时物理和制造约束可以在训练期间嵌入或在筛选期间施加。保留的候选结构,像正向预测一样,仍然需要独立的全波验证、制造感知检查和实验或系统级评估,然后才能支持器件级声明。

2.2.1 双向神经网络

串联或双向建模将提出候选几何的逆向分支与预测结果响应的正向分支耦合在一起51。训练通过响应一致性而不是几何匹配进行正则化,这抑制了当多个几何形状对应同一目标时出现的虚假输出。此类架构已用于手性超表面、全介质滤波器、结构色和复用偏振器件29,56–59。Ma 等人将双向网络应用于多层手性等离子体超表面57,而 An 等人则使用串联正向 - 逆向设计用于具有精确幅度 - 相位控制的全介质超表面29。相关策略也已用于结构色反转、双偏振一致性控制和克拉默斯 - 克朗尼格一致的响应建模56,58–60。综合来看,这些研究表明,当响应保真度比恢复某个特定的真值几何形状更重要时,双向框架最有用的。越来越多的显式物理约束——因果关系、对称性、偏振一致性、制造感知先验——被嵌入到逆向架构中56,61–64,使预测更加稳定和物理上合理,而不消除非唯一性。

2.2.2 生成对抗网络 (GAN)

GAN 通过生成器 - 判别器竞争学习结构先验,并且可以以目标光谱、相位或偏振响应为条件65–67。报告的例子包括使用条件深度卷积 GAN 进行的光谱到几何映射68、带有辅助预测或分类分支的制造感知对抗设计69,以及用于偏振复用器件的 WGAN-GP 变体70。在实践中,GAN 对于快速提出多样化候选是有用的,但它们仍然对模式崩溃和训练不敏感。因此,基于 GAN 的设计通常与代理预筛选和最终全波验证相结合,以提高可靠性71,72。

2.2.3 变分自编码器 (VAE)

VAE 的主要优势是训练稳定以及具有连续的潜空间。变分自编码器由将高维结构映射到低维潜空间的编码器和从潜变量重建几何的解码器组成44,73。在超表面设计中,潜空间压缩通常会产生一个低维且连续的潜流形,在其上进行的后续优化变得更加可行。条件 VAE 可以为同一目标生成多个候选,并已在多层耦合超表面、吸收器设计和拓扑字典统一中与物理先验或外部优化器结合使用61,74–77。然而,解码出的结构可能过于平滑,仍然需要高保真度的后验证。

2.2.4 扩散模型

扩散模型提供了比对抗方法更好的模式覆盖和更稳定的训练18。由于反向去噪轨迹采样条件分布,它们非常适合需要候选多样性和响应保真度的一对多逆向问题。最近的超表面研究使用扩散概率模型生成高自由度自由曲面布局,在稀疏数据下保持候选多样性,并将去噪与多目标筛选相结合78–80。扩散模型的一个优势是可以在生成过程中引入条件信号。这种方法能够在去噪过程中通过目标光谱、相位图和制造约束进行条件指导,而不会强制解空间过早崩溃。当设计师需要多个物理上合理的几何形状用于下游鲁棒性筛选而不是一个标称答案时,这种渐进控制非常有价值。扩散模型的主要缺点是迭代去噪的高计算成本,这使得推理比一次性串联或基于 VAE 的预测慢得多。因此,扩散模型通常用于离线候选生成或库扩展,随后进行代理筛选和全波验证。总体而言,扩散模型特别适用于多约束生成,因为在去噪过程中可以渐进条件化。

2.2.5 混合与组合架构

除了单个类型的架构外,当前的超表面设计越来越依赖于混合和组合架构,这些架构结合了多个学习模块或将学习模块与物理算子耦合。混合和组合架构并不构成单独的工作流阶段16。相反,当单个预测分支不足以表示多模态输出或强耦合物理约束时,它们会在逆向设计、混合优化和端到端系统中反复出现。混合和组合架构的重要性反映了实际超表面任务的约束丰富性。在此类环境中,性能不仅取决于模型类型的选择,如 MLPs、CNNs、RNNs 或生成模型,还取决于多个模块如何组织用于候选生成、响应评估、潜压缩、重建和基于物理的细化。因此,混合和组合架构在这里被视为交叉设计模式,而不是额外的工作流阶段81。

2.3 混合优化

混合优化将学习模型与经典搜索循环相结合,如粒子群优化 (PSO)82 和进化算法83,而不是将数据驱动方法视为基于物理优化的替代品。目标是减少昂贵的求解器调用,同时保持收敛质量,这在高度非凸的设计空间中通常比蛮力搜索或纯粹数据驱动的一次性预测更稳健。经典方法通常涉及用于连续高精度更新的伴随优化,或用于全局探索的基于种群的方法,如遗传算法和粒子群优化。这种方法已在离轴多焦点设计84、紧凑偏振分束器优化85、手性超表面设计83,86 以及宽带吸收器的特征模态组合优化87,88 等任务中得到验证。这些方法仍然强大,但在像素化、自由曲面或多目标设置中,它们的计算负担迅速增加89,90。在这种情况下,人工智能以两种互补的方式支持优化:代理替换选定的全波评估,而学习表示或提案模型减少搜索空间并提供有信息的初始候选,从而减少随机优化器对随机初始化和过早收敛到局部最优的敏感性。以下小节区分了学习在混合优化中的三个角色:响应评估、搜索空间减少以及在基于物理的细化之前的候选初始化。

2.3.1 仿真代理和多保真度验证

在大面积或高自由度超表面优化中,预训练的正向代理通常被插入迭代循环中,以在选定的全波求解器调用之间提供快速的响应估计。例如,Inampudi 等人使用前馈网络来预测自由曲面形状超原子的衍射效率91。为了克服纯黑盒代理模型泛化能力差的问题,Khatib 等人提出了物理增强的洛伦兹神经网络 (LNN),它显式地嵌入了谐振行为和物理因果约束,以提高预测准确性和物理可解释性92。Pestourie 等人进一步引入了一种基于神经网络集成的近似贝叶斯主动学习策略,其中利用预测不确定性更高效地选择新的仿真点40。最近的一个微波 RCS 框架结合了一个用于连续单元胞逆向的串联网络和一个用于离散 1 位阵列优化的深度 Q 网络,从而链接了超原子和阵列设计93。在实际工作流中,快速学习估计和高保真度电磁评估扮演不同的角色。学习模型支持广泛探索、候选筛选和敏感性分析,而全波或 RCWA 型评估则保留给入围候选和现实制造约束下的鲁棒性检查94,95。下面讨论的应用特定工作流同样区分了广泛候选筛选和全波验证96。

2.3.2 特征减少和潜空间搜索

当超表面几何形状表示为高维像素图或拓扑图时,直接在原始参数空间中进行优化变得困难。常见的解决方案是使用自编码器或相关生成模型学习一个低维潜空间,然后在该压缩域中进行贝叶斯、进化或伴随辅助优化65,66,97。潜空间压缩保留了主要敏感的结构变化,同时抑制了不太重要或冗余的自由度,从而使优化更加样本高效。这种降维策略的应用可以在双层耦合超表面和宽带分束器的低维搜索中找到76,98。在训练好降维表示后,潜空间优化结合伴随反馈可以缩短单个设计实例的优化阶段99。同样,拓扑压缩也被报道可以加速相对于直接全空间优化的压缩搜索阶段,尽管这种比较不包括数据生成、模型训练或最终电磁验证100。在这种情况下,学习模型并不直接操作原始的高维结构参数,而是学习结构的降维表示用于潜空间搜索。

2.3.3 物理引导的提案生成

提案生成为后续使用电磁求解器进行细化提供物理引导的初始候选。在高自由度超表面逆向设计中,全局启发式方法和局部搜索方法对初始化质量都非常敏感。完全随机的冷启动可能会迫使求解器探索由低价值或物理上不合理候选主导的非凸区域,在早期试错中浪费昂贵的全波评估101。因此,一种实际的混合策略是使用学习模型生成高质量的初始提案,然后进行基于物理的细化。高质量的提案并不能消除对物理细化的需求;相反,伴随或基于拓扑的更新将合理的候选转换为求解器验证的设计。Jiang 等人展示了这种策略,在大角度超表面设计中,包括 75°偏转。大约使用了 30,000 次伴随拓扑优化运行来组装专家样本,随后在高效结构上训练生成器,为下游细化提供像素化拓扑种子。学习提案生成将所需的伴随迭代次数减少了大约十分之一,并将报告的全局最优成功率提高到近 100%65。训练好的生成器偏向于专家集中存在的最小特征约束和本地场增强模式,因此下游优化从有信息的二元拓扑开始,而不是任意模式。在苛刻的色散工程任务中,学习提案池可以提供进入参数空间碎片化高性能区域的多个入口点,而梯度细化提供了宽带相位匹配目标所需的最终精度102,103。相关工作进一步使用麦克斯韦 - 伴随反馈在线优化候选结构分布,而不是固定的预计算数据集104,105。而不是一次细化一个候选,提案分布优化增加了到达高性能区域的概率,而无需重复的随机重启。

2.4 端到端设计

端到端设计将超表面视为可训练的光学前端,纳入包括光学编码、探测器读出和数字解码的工作流中。因此,优化目标从器件级指标(如透射率或相位误差)转变为任务级性能(如图像质量或推理准确性)106。实际实现需要传播、噪声和硬件约束的可微模型,有限信息吞吐量下的鲁棒光学编码,以及减少仿真 - 实验失配的策略。随着可微传播和制造约束被纳入训练,数字网络可以补偿剩余的光学误差,将部分性能负担从超表面转移到计算后端,从而放宽设计和制造公差。随着任务复杂度的增加,端到端协同设计也更强调多任务性能,而不是仅仅关注单任务最优。Noh 等人表明,在稀疏信息和竞争目标描述的场景中,仅优化物理层或仅优化数字层通常是不够的;相反,物理编码、任务损失和后端网络必须在统一的闭环中联合优化107。因此,端到端协同设计并不要求光学前端达到独立的器件级最优。

取而代之的是,前端仅需保留足够多的任务相关信息,以便神经后端能够补偿残余误差并实现系统级目标[108,109]。这种功能的重新分配能够降低光学优化负担以及实现系统级目标所需的整体计算成本,从而提供明确的系统级优势。代表性实现说明了光学与数字模块如何协同优化。Fu等人利用复振幅超表面作为可训练卷积核,由此构建了全光学卷积前端,用于低延迟边缘检测和去噪[110]。在计算成像领域,衍射/超表面光学与神经解码器的端到端协同设计已在强硬件约束下实现了结构紧凑且重建保真度更高的系统。重要应用包括相位掩模/无透镜相机框架以及学习的衍射消色差元件[111,112]。除成像和全息之外,可训练衍射层还已被用于直接物理推理,包括实时分类和多源到达信息感知[113,114]。因此,光学预处理可以减轻数字重建或推理的负担,在某些任务特定系统中甚至可以部分绕过传统后处理。

**2.5 物理嵌入学习**

2.1–2.4节表明,可靠的AI辅助超表面工作流程很少作为无约束黑箱回归器运行;相反,物理知识通常在建模、优化和验证的一个或多个阶段引入[22,95]。物理知识可通过响应参数化、损失函数、可微分求解器、对称性约束或制造感知先验进入模型,从而减轻数据负担并改善欠定设计空间中的外推能力[28]。如图1所示,物理嵌入学习是一个跨阶段原则,而非独立方法。为清晰起见,这些策略可根据物理信息进入工作流的位置进行分类:(i) 通过物理兼容参数化进入表示层,(ii) 通过解析先验或物理基础损失函数进入目标层,(iii) 通过求解器闭环或多保真度验证进入评估环路,以及(iv) 通过可微分电磁算子或物理残差公式进入场传播模型。这些角色可能在单一方法中重叠,因此不构成互斥层级。嵌入形式取决于设计阶段。在前向建模中,物理知识常以共振参数化或因果响应形式出现。在逆向设计和混合优化中,它更常通过对称性约束、制造感知先验、可微分求解器反馈或多保真度验证引入。在端到端光学系统中,可微分传播和传感器模型提供了硬件与计算之间的主要物理接口。

物理嵌入学习现已出现在AI辅助光子设计的多个阶段。洛伦兹感知神经网络为前向建模提供了代表性示例,其中因果振荡器模型用于正则化共振超表面预测并改善外推能力和可解释性[92,115]。此类参数化有助于保持共振一致的响应趋势并捕捉尖锐光谱特征,包括Fano型共振以及与非结构周期性相关的法布里-珀罗型响应[115]。第二条路径将物理传播直接嵌入学习模型。例如,电磁神经网络框架将惠更斯-菲涅耳传播纳入一种分层策略,结合局部求解与全局场拼接,从而在前向建模阶段实现高效的大规模可微分场预测[116]。相关的物理闭环策略也已扩展到更大的光子系统,例如用于宽带无源分离的干涉仪网络[117]。由解析模型引导的优化提供了物理嵌入的第三种形式。在源自耦合模理论或多极展开的伴随方法中,散射矩阵、模态相互作用或偶极辐射通道可在计算梯度前以解析形式表达[118,119]。基于格林函数的公式可以无需重复全波仿真来计算远场响应,同时保持对塑造设计响应的模态或偶极通道的清晰物理解释。类似的思想也出现在微波超表面设计中,其中广义斯涅尔定律相位处方与学习的相位到模式推理相结合,以改善大型离散设计空间中的数据效率[49]。另一种物理引导工作流使用等效电路模型来定义物理上合理的吸收转换目标,同时深度神经网络作为粒子群优化中的代理模型,减少了光学透明微波雷达散射截面设计中对黑箱预测和盲目参数扫描的依赖[120]。综合来看,这些示例表明物理先验并不取代数据,而是约束允许的响应空间并改善外推能力、效率和可解释性,尤其是在高Q值、强耦合或制造敏感条件下。

架构适用性取决于输入表示和电磁环境,而不仅仅取决于模型类别。紧凑参数的多层感知机(MLP)通常适用于低维设计族,卷积神经网络(CNN)适用于空间相关布局,序列模型适用于有序结构,生成式或混合方法适用于需要物理验证的多模态逆向空间。在强非局部耦合、分布偏移或代表性不足的数据下,这些倾向会减弱。表1比较了九个架构级类别在典型角色、训练稳定性、数据效率、可解释性、计算成本、可扩展性和对分布偏移鲁棒性方面的表现。各行遵循主导模型族或组合模型组织,而非工作流程阶段,且该表不暗示普适排名。

**表1. 超表面设计AI范式比较摘要。**

| AI范式 | 典型角色与输入表示 | 训练稳定性与数据效率 | 可解释性与分布偏移鲁棒性 | 计算成本、可扩展性与主要限制 | 文献 |
|--------|-------------------|---------------------|------------------------|-------------------------------|------|
| MLP/前馈网络 | 紧凑几何/材料参数或波长到光谱、相位、延迟、效率或局部场 | 对低维单元稳定且数据高效;随着设计自由度扩展鲁棒性降低 | 参数敏感性可读,但超越采样几何/材料范围的外推能力弱 | 推理成本低;对自由曲面布局和强非局部耦合缺乏归纳偏置 | 38,94,121–123 |
| CNN(像素/图表示) | 像素化布局、邻域图或二值/灰度图案到光谱或耦合响应 | 当局部空间图案占主导时有效,但通常比紧凑参数MLP需要更大数据集 | 显著性图可定位影响区域;跨未见布局族的鲁棒性有限 | 训练后快速;无附加上下文时长程耦合难以处理 | 31,33,34,64 |
| RNN/序列模型 | 有序层、级联结构或采样光谱作为序列输入 | 适用于层序依赖和迁移场景;证据不如MLP/CNN/GAN充分 | 序列依赖可读,但鲁棒性主要限于窄设备族 | 短序列成本适中;对无序二维自由曲面布局适应性弱 | 36,37,56,124 |
| GAN | 条件生成器-判别器模型将目标光谱、偏振或功能映射到候选布局 | 训练后快速生成;稳定性取决于模式坍塌控制和判别器平衡 | 物理先验隐式存在,仍需求解器验证 | 适合多样化提案;训练和数据集覆盖是主要瓶颈 | 65,67,68,70,72 |
| VAE/潜空间模型 | 连续潜流形编码结构或光谱,用于一对多解码或潜空间搜索 | 通常比GAN更稳定;当潜结构可复用时数据效率提升 | 潜空间图可检查,但解码设计可能过度平滑或局限于特定族 | 降低搜索维度;最终候选仍需前向或求解器验证 | 73,74,76,125 |
| 扩散模型 | 条件去噪从光谱或多目标标签生成高自由度候选 | 通常比对抗学习更稳定,但更消耗数据和算力;采样为迭代式 | 引导改善可控性,但去噪轨迹不直接可解释 | 多模态生成能力强;仍需求解器或代理验证 | 78–80,126 |
| Transformer/自注意力架构 | 自注意力模型跨像素、通道、波长或多任务捕获全局上下文 | 捕获长程相关性,但通常比紧凑代理需要更多数据/算力 | 注意力仅弱辅助诊断;跨领域鲁棒性报告不足 | 适合高通道任务;内存成本和证据基础仍为限制 | 127–130 |
| 物理感知/算子学习代理 | 神经算子、麦克斯韦残差、洛伦兹层或场拼接模块用于场/响应预测 | 可减少标注数据需求,但残差平衡和物理层增加训练复杂性 | 残差和场变量改善可解释性;鲁棒性受限于假设的物理模型 | 对可扩展场预测有前景,但仍具专用性和求解器-数据依赖 | 92,116,131,132 |
| 混合架构中心框架 | 代理模型、潜生成器、不确定性模型和优化器耦合为组合设计模型 | 当模型输出迭代验证时通常比单次逆向回归更可靠 | 模块可诊断,但错误可能在耦合组件间累积 | 减少暴力仿真;集成复杂度和最终验证仍代价高昂 | 26,40,61,86,133 |

该表强调用例适配性而非普适排名,因为性能取决于表示方式、数据覆盖、求解器保真度和最终验证。

**3 功能导向应用领域**

本节综述了AI辅助超表面设计在各主要应用领域的发展,包括金属透镜、全息超表面、涡旋光束生成、光谱滤波、偏振控制以及多功能光学器件。讨论因此聚焦于各功能的物理要求和工程约束。

**3.1 平面光学中的相位工程**

平面光学通过亚波长空间调制合成预设光学场,从而实现了超越传统折射元件的紧凑波前整形器件。金属透镜、超表面全息和涡旋超表面均属此类,尽管它们强调不同的目标功能,从宽带聚焦和多功能波前控制到全息图像形成和轨道角动量生成。除解决逆向问题外,实际平面光学设计还须联合考虑色散、偏振响应、孔径缩放、非局部耦合和制造公差。以下通过五个代表性方向讨论进展,包括消色差金属透镜、偏振复用光学、大孔径金属透镜、超表面全息和涡旋超表面[134,135]。这些类别具有代表性而非穷尽性,部分研究跨越多个类别。

**3.1.1 宽带消色差与色散控制**

宽带消色差金属透镜要求在多个波长上维持相位剖面同时控制超原子色散。基于物理的设计通过几何相位和群延迟的联合工程实现此目标[136],但当需要为每个波长通道维护大型库和迭代全波搜索时,可扩展性较差。为减轻此成本,利用深度神经网络(DNN)构建了结构参数与宽带相位响应之间的定向映射。2021年,Fan等人利用DNN探索单、双和三重GaN纳米柱的参数空间[121]。识别出的最优纳米结构可同时提供高转换效率和精确群延迟以实现宽带相位补偿。所设计金属透镜的仿真显示峰值聚焦效率达45%(图3(a))。同期,An等人将宽带消色差金属透镜的逆向设计表述为DNN回归问题[122]。为抑制相位包裹引起的歧义,利用了源自辅助相位剖面的x-y投影对,实现了平均焦移分别为2.6%和1.7%以及聚焦效率分别为59.18%和77.88%的近红外金属透镜(图3(b))。

**图3.** AI辅助宽带消色差和色散控制平面光学设计策略。(a) DNN辅助设计工作流及所得消色差金属透镜[121]。(b) 用于逆向设计的双向神经网络框架及对应聚焦行为[122]。(c) 用于色散感知成像和恢复的学习辅助框架[137]。(d) 用于消色差金属透镜设计的神经网络训练与相位和群延迟响应预测[123]。图已获许可转载自:(a) 文献121,? MDPI;(b) 文献122,? Optica Publishing Group;(c) 文献137,? American Chemical Society;(d) 文献123,? Wiley-VCH Verlag。

此外,引入了DNN辅助像差校正以在限制性光学约束下改善消色差性能[137],如图3(c)所示。为加速相位和群延迟响应的在线探索,利用人工神经网络从稀疏全波仿真进行外推,如图3(d)所示。在报道的可见光消色差金属透镜设计(NA约0.084)中,此代理辅助搜索在420–640 nm范围内实现了40%的平均聚焦效率[123]。此结果说明了稀疏采样和代理外推对色散敏感几何结构的价值,同时完整工作流仍包含稀疏数据生成和最终全波验证。

**3.1.2 多功能与偏振复用光学**

在单一器件中集成多种功能要求在共享结构空间中满足耦合的偏振、波长和波前约束——这是一种传统逆向设计效率低下的条件。2020年,Liu等人提出了一种结合生成式与合作协同进化网络的混合框架[86]。该架构旨在实现对8级相位超表面偏振和波前的任意操控,并通过手性金属透镜验证(图4(a))。2021年,Zhelyeznyakov等人开发了一种基于11层MLP的前向仿真框架。研究表明,其前向建模阶段的训练模型评估速度显著快于传统FDTD。具体而言,实现了波长复用器件(在633 nm处聚焦并在400 nm处产生环形光束)以及焦距范围为100–350 μm的扩展景深透镜[94],如图4(b)所示。2023年,Liu等人开发了一个偏振复用双功能金属透镜逆向设计的串联平台[138]。通过将逆向网络与前向验证网络耦合,模型产出了四个手性聚焦金属透镜(图4(c))。

**图4.** AI辅助多功能和偏振复用平面光学设计。(a) 结合生成式与合作协同进化网络的混合框架,用于偏振和波前的任意操控,通过手性金属透镜验证[86]。(b) 基于MLP的前向仿真框架,用于波长复用和扩展景深器件[94]。(c) 偏振复用双功能金属透镜逆向设计的串联神经网络平台,产出四个手性聚焦金属透镜[138]。(d) 结合偏振复用超表面与物理感知深度神经网络的计算成像框架,用于通过强散射介质实现单次曝光全斯托克斯成像[140]。

图经许可后重绘自:(a) 文献86,? Wiley-VCH Verlag;(b) 文献94,? American Chemical Society;(c) 文献138,? Wiley-VCH Verlag。 (d) 文献140,? Optica Publishing Group。类似地,一种深度学习前向遗传算法(DLF-GA)被训练用于同时预测正交线偏振下的相位响应。在微波频段(9–11 GHz)进行了测试,Zhu等人设计了139一个单层孔径,在x偏振下实现聚焦,在y偏振下实现漫射散射,精度约为95%。最近,Ren等人140提出了一种计算成像框架,该框架结合了偏振复用超表面和物理信息深度神经网络,以实现通过强散射介质的单次曝光全Stokes成像(图4(d))。此外,基于PCGN的手性金属ens的逆向设计已被报道用于处理强耦合约束141。

3.1.3 大孔径和高数值孔径金属ens
大孔径和高数值孔径(NA)器件会带来严重的计算挑战,而强相位梯度会逐渐使局部相位近似(LPA)失效。在这些条件下,需要在大面积范围内进行物理一致的优化,特别是当需要协调非局部效应和全波验证时。为了绕过LPA,利用深度卷积神经网络直接从邻近的超原子预测相互耦合效应。因此,对于一个NA为0.72的圆柱形金属ens(图5(a)),平均相位误差从30.4°降低到10.4°,聚焦效率从52.19%提高到77.62%,用时200秒34。此外,提出了混合框架108以提高强相位梯度布局下单层器件的复用容量,从而避免过度的层叠(图5(b))。2023年,Zhelyeznyakov等人引入了一种基于U-Net和物理信息神经网络(PINN)的代理模型。这种无数据框架通过直接最小化麦克斯韦方程的残差来绕过LPA。通过结合可微分的几何到介电常数映射与域场拼接,这种GPU加速方法在15分钟内完成了毫米尺度金属ens的优化,实验结果表明所得到的金属ens在焦点强度上提高了53%(图5(c))131。图5. 超越局部相位近似的AI辅助金属ens大规模优化。(a) 用于改进金属ens设计的卷积神经网络相互耦合效应预测34。(b) 用于增强强相位梯度布局下单层器件复用容量的混合框架108。(c) 基于U-Net和PINN的无数据代理用于毫米尺度金属ens优化131。图经许可后重绘自:(a) 文献34,? Wiley-VCH Verlag;(b) 文献108,? Wiley-VCH Verlag;(c) 文献131,? Springer Nature Ltd。

3.1.4 超表面全息
AI辅助的逆向设计通过解决目标光场与超原子几何之间的多对多关系,扩展了全息超表面可访问的设计空间。在彩色和光谱全息方面,采用结合神经网络与进化策略的混合框架来控制共振波长和带宽,通过减少光谱串扰改善了多通道操作109。当需要维持多个通道的全息性能且光谱选择性受器件几何限制时,这一能力尤其有用。AI也被用于评估偏振约束下全息超表面的通道容量。Yang等人将条件VAE与偏振复用超表面的前向网络相结合,在由正交线偏振和圆偏振状态定义的16通道响应空间中发现了一个四通道极限142。从图6(a)可以看出,最终器件产生了一个纳打印图像和三个全息图像。在器件层面,Furat等人开发了一种物理信息神经算子来预测超表面的三维复电磁场。该模型将麦克斯韦方程的残差纳入其训练损失以改善物理一致性132。Ma等人109使用深度神经网络预测介质纳米棒和二聚体的光学响应,并将其与进化策略耦合,以优化多色超表面全息的共振波长、带宽和相位延迟(图6(b))。图6. 超表面全息的AI辅助逆向设计。(a) 基于cVAE的偏振复用全息逆向设计142。(b) 多色超表面全息、介质纳米棒和二聚体单元胞以及前向神经网络的示意图109。(c) 用于纳米鳍和纳米柱超表面耦合感知近场预测的局部邻域模型54。(d) 用于RGB超表面全息的端到端优化框架107。图经许可后重绘自:(a) 文献142,? Optica Publishing Group;(b) 文献109,? 2022 Wiley-VCH GmbH;(c) 文献54,? Wiley-VCH Verlag;(d) 文献107,? American Chemical Society
当逆向设计扩展到全息图像形成时,AI的作用变得更加明确。Xu等人54将局部相互耦合纳入基于AI的电磁预测,并开发了一个耦合感知逆向设计框架,实现了接近全波精度的大规模全息图像(图6(c))。当全息超表面扩展到更大孔径或更密集布局时,相互耦合变得越来越难以忽略。在这些条件下,AI辅助的逆向设计促进了超越孤立超原子库假设的物理忠实全息器件合成。该框架通过将学习的电磁预测与相互耦合感知验证相结合来支持全波精度的逆向设计,而不是仅依赖孤立的超原子库。Noh等人107进一步开发了图6(d)中的RGB超表面全息端到端框架,其中预训练的前向网络与传播和图像比较模块耦合,以联合优化材料和几何;报告的转换效率分别为红色、绿色和蓝色通道的33.05%、43.78%和49.12%。复振幅全息还需要同时控制振幅和相位,因此与仅相位全息生成相比,它为端到端超表面设计提供了更严格的测试。物理驱动的深度神经网络已被用于设计基于超表面的复振幅全息,通过将波传播物理嵌入学习目标,这将目标复场更直接地连接到器件参数,并在物理约束下提高了全息图的保真度143。

3.1.5 涡旋和轨道角动量超表面
涡旋超表面合成具有螺旋相位剖面的光场,其中拓扑荷、模式纯度和通道间串扰成为核心设计指标。因此,从目标轨道角动量(OAM)状态到超原子几何的逆向映射具有强烈的非唯一性,特别是当施加自旋复用、宽带操作或多功能输出时。AI辅助的OAM设计目前分为三条代表性路线。第一条路线专注于少数目标荷的单元胞或器件检索,其中双向或微扰网络提供了对透射或反射涡旋几何的快速逆向访问。Li和Huang144提出了一种用于透射太赫兹涡旋光束超表面的双向深度神经网络,它在4微秒内预测了单元胞的相位和传输系数,并生成了l = ±1和±2的涡旋光束;报告的模式纯度分别为88.2%、73.6%、74.2%和77.0%(图7(a))。Zhang等人145开发了一种用于1.4微米多功能光学涡旋超表面的微扰反向传播神经网络,其达到了98.7%的中位数精度,在该研究中,所需的计算资源约为传统前向设计方法的二分之一,同时实现了标量和矢量涡旋生成(图7(b))。当目标是最大化有限OAM状态集的模式纯度时,这条路线效果良好。图7. 涡旋和轨道角动量超表面的AI辅助逆向设计。(a) 用于透射太赫兹涡旋光束超表面的双向深度神经网络框架144。(b) 用于多功能光学涡旋超表面的微扰反向传播神经网络145。(c) 深度学习辅助的双自旋和双频超表面逆向设计用于多通道涡旋光束生成146。(d) 用于增强通道容量的自旋复用Bi-DNN平台用于太赫兹波前控制147。(e) 由变换器神经网络实现的具有超窄光谱选择性的波长-涡旋超表面全息127。图经许可后重绘自:(a) 文献144,? Optica Publishing Group;(b) 文献145,? Optica Publishing Group;(c) 文献146,? SPIE & Chinese Laser Press;(d) 文献147,? Optica Publishing Group;(e) 文献127,? AAAS。
第二条路线解决多通道复用问题,其中主要挑战不再是单模生成,而是跨自旋、频率和波长通道的串扰管理。Qu等人146明确分析了四个自旋/频率通道之间的耦合,以实现多功能转换器和复用器(图7(c)),而Wei等人147使用自旋复用Bi-DNN平台来加速圆偏振约束下的高像素太赫兹波前控制(图7(d))。在这里,学习模型的功能不再是一个简单的逆变器,而是一个竞争通道约束的调度器。第三条路线使用AI将容量或可重构性推至手动库搜索所能支持的范围之外。Jiang等人报告了在太赫兹领域集成了非色散的不可调焦涡旋光束发生器148,而Meng等人127将变换器与色散感知设计相结合,实现了具有极高通道数的波长-涡旋超表面全息(图7(e))。因此,当前的工作流程可以有效地检索和复用OAM功能,但在不牺牲模式纯度、带宽或器件良率的情况下扩展通道容量仍然是一个未解决的工程问题。所缺乏的是一个基于物理的多通道设计理论,该理论在共同的评估框架内将OAM纯度、色散控制和可重构操作联系起来。因此,AI驱动的相位工程已在宽带色散控制、复用功能、大面积校正、全息和OAM生成方面成熟。每个子领域的进展都是真实的,但由于性能指标(NA、带宽、通道容量和制造余量)报告不一致,比较仍然困难。在学术界采用将波前保真度与可扩展性、非局部耦合效应和实验鲁棒性联系起来的评估语言之前,孤立的器件演示将会积累而无法汇聚到共同的设计原则上。

3.2 计算成像和全息
基于超表面的计算全息和影像是端到端设计的应用级实现:前端编码光学信息,而学习后端补偿有限孔径、制造敏感性和波长不匹配。这种分工在仅器件设计无法扩展的条件下维持全息重建、像差校正、景深扩展、宽场成像和相位恢复。

3.2.1 基于超表面平台的计算全息
在计算后端,学习模型在相位恢复、孪生像抑制和伪影减少方面展现了强大能力。深度学习辅助的全息图重建使得实用无透镜系统和实时照片级三维全息成为可能149,150。这些能力对超表面全息尤为重要,因为有限孔径、制造误差和波长相关不匹配容易扰动编码的光场。Shi等人使用包含物理原理的神经网络实现了仅相位全息图的实时生成,以60 Hz的帧率生成分辨率为1920 × 1080的照片级彩色三维全息图。这一结果表明,神经网络可以有效提高动态全息图生成的质量和速度149。这一策略也已扩展到面向显示的全息和结构光。如图8所示,Gopakumar等人通过协同设计逆向设计的彩色超表面光栅、色散补偿波导几何和AI驱动的全 holography 算法,构建了一个全彩三维全息增强现实显示器,并将一个仅相位空间光调制器集成到光学系统中55。图8. AI辅助的超表面全息用于实时全息图生成和可穿戴增强现实显示。具有学习传播模型的逆向设计超表面波导用于全彩三维全息增强现实显示55。图经许可后重绘自:文献55,? Springer Nature Ltd。
当将物理一致性约束嵌入训练时,对有限标签和域偏移的鲁棒性得到改善。Choi等人开发了一个用于360°结构光的可微分框架,在该框架中,使用计算高效的180°波传播模型联合优化超表面相位图和深度重建网络的参数。与瑞利- Sommerfeld传播相比,传播模型加速了前向传播子程序,而与启发式设计结构光相比,深度重建误差降低了5.09倍151。因此,超表面全息越来越依赖于计算生成和重建,而不是仅器件波前设计。

3.2.2 基于超表面编码器的计算成像
在图像形成中,超表面已与重建网络协同优化,以在紧凑的光学编码器与数字解码器之间重新分配系统复杂性。相关的可微分光学框架也被用于联合减少几何和衍射像差,同时提高成像质量和景深152–154。Seo等人153通过端到端训练联合优化金属ens和重建网络,在10毫米孔径系统中校正了色差和角像差(图9(a))。Long等人提出了一种基于散焦相关采样的金属ens阵列端到端设计,该设计优化了空间异质子透镜以捕获多种特征。与用于多孔径图像融合的注意力引导残差网络耦合后,与常规设计相比,该系统表现出景深扩展11倍和峰值信噪比提高10.03 dB152。图9。

全尺寸图片 PowerPoint

超表面成像系统的光学-计算协同设计。(a)超透镜与复原网络的联合优化,用于宽带计算成像1?3。(b)神经阵列超表面成像,结合宽视场宽带超透镜阵列与深度融合网络,实现紧凑型全彩成像1??。(c)超透镜阵列显微镜,结合基于学习的重建方法,实现宽视场、高分辨率成像12?。(d)超表面光学神经相位显微镜,实现实时纳米级定量相位成像1??。图片经许可重新制作,来源:(a) 参考文献153 ? SPIE & 中国激光杂志社;(b) 参考文献155 ? Springer Nature & 清华大学出版社;(c) 参考文献128 ? Springer Nature & 清华大学出版社;(d) 参考文献156 ? Springer Nature Ltd。

为缓解孔径、视场与图像质量之间的权衡矛盾,Dun等人提出了一种神经阵列超表面成像框架,该框架将宽视场宽带超透镜阵列与深度融合网络MFWDFNet相结合1??。该系统采用一台以25 Hz运行的全色相机,孔径为2.76 mm,视场角为50°,同时实现了13倍的轨迹长度缩减(图9(b))。在宽视场显微镜方面,Hu等人12?基于临床甲状腺病理数据集训练了一个基于Transformer的计算后端,以学习大视场成像与高倍成像之间的亚像素映射关系。利用20×30超透镜阵列,该显微镜可从单帧图像中获取4 mm×6 mm的视场。通过将空间采样密度提高三倍,达到了与传统10×物镜相当的空间分辨率(图9(c))。这些研究表明,基于超表面的成像系统不仅应以前端的光学瞬时质量来评估,还应以重建后仍可恢复的信息量来衡量。

除强度成像外,同样的光学-计算策略也被扩展到相位敏感型显微镜中。在此类系统中,超表面编码的测量数据用于计算相位重建,而非直接干涉式恢复。Lee等人1??开发了一种神经相位显微镜,其中单层具有复振幅调制的超表面取代了笨重的光学元件,用于定量相位成像。多焦点与多像差信息被编码在单次拍摄中,并利用一个受成像物理启发的网络进行相位重建,在74 Hz下实现了低于840 nm的空间分辨率(图9(d))。在此类系统中,超表面不仅减少了系统尺寸,还重塑了测量方式,使得相位信息可以通过计算从物理约束数据中恢复。

综合来看,光学-计算成像系统已经表明,超表面可以充当学习型编码器,而非固定成像元件。开放性问题在于归因分析:端到端性能中有多少来自更好的光学编码,有多少来自更强大的数字重建,以及一旦校准漂移和数据分布变化进入系统闭环,这种平衡如何变化。回答这一问题需要标准化的硬件在环评估方法,该方法在报告可恢复信息量、对环境扰动的鲁棒性和校准成本的同时,还需报告传统的图像质量指标。

**3.3 光谱、结构色与能量器件**

光谱滤波器、结构色器件和能量吸收/发射器共享光谱响应目标,尽管它们的物理目标各不相同。它们对光谱精度、可行材料堆叠、制造公差和多目标优化的要求,决定了候选结构的生成与验证方式。

**3.3.1 光谱裁剪与多波段滤波器**

对于光谱裁剪,目标直接指定为期望的反射、透射或散射响应。其独特挑战在于,微小的谐振偏移可能强烈影响目标光谱,而不同的多层或纳米结构几何形状仍可能产生相似的光谱特征。因此,早期研究侧重于快速响应预测和目标检索。2018年,Peurifoy等人2?报道了针对多层核壳Mie散射体的毫秒级人工神经网络(ANN)预测,涵盖了几何尺寸和散射响应,如图10(a)所示。

图10 全尺寸图片 PowerPoint

超表面辅助的光谱裁剪与光谱响应解码。(a)人工神经网络对多层核壳Mie散射体散射光谱的快速前向预测2?。(b)基于变分自编码器的逆向设计,从目标光学响应生成多个结构候选方案?3。(c)基于双重条件VAE的生成-消除设计方法,从低频光谱预测高频光谱12?。(d)物理约束的深洛伦兹神经网络,用于抑制非物理伪影的光谱预测?2。(e)串联前向-后向变分框架,用于多材料、多模式光谱设计133。(f)纳米等离子体超表面芯片,用于血清中小细胞外囊泡的全光谱生物传感及胰腺导管腺癌筛查1??。图片经许可重新制作,来源:(a) 参考文献25 ? AAAS;(b) 参考文献73 ? Wiley-VCH Verlag;(c) 参考文献125 ? Springer Nature Ltd;(d) 参考文献92 ? Wiley-VCH Verlag;(e) 参考文献133 ? American Chemical Society;(f) 参考文献158 ? Wiley-VCH Verlag。

随着研究重点从快速预测转向目标光谱的直接合成,生成式逆向设计变得愈发重要,因为相似的光谱响应可由不同的结构产生。2019年,Ma等人?3针对超材料开发了一种基于变分自编码器(VAE)的逆向设计方法。通过半监督学习策略,建立了结构与光学响应之间的概率映射关系,并生成了多个物理可行的候选方案,而非单一确定性解(图10(b))。2020年,Harper等人提出了一种伪自动解码器,将一个预训练的光谱预测网络与逆向设计预测网络相结合。对于硅开孔圆柱体,该方法产生了带宽达450 nm、1550 nm处反射率超过0.99的超表面1??。Chen等人12?进一步提出了由两个条件VAE组成的生成-消除框架。该框架首先生成大量可行候选方案,然后在物理一致性约束下筛选出最优解,使得无需了解底层几何纳米结构的具体信息,即可直接从超表面产生的低频光谱预测高频光谱(图10(c))。

后续研究更加强调物理一致性和模型鲁棒性。Khatib等人通过在数据驱动模型中嵌入物理先验,于2022年引入了一种深洛伦兹神经网络?2。图10(d)展示了该洛伦兹神经网络的架构及其训练和光谱预测误差。2023年,Tanriover等人133构建了一种基于VAE的串联前向-后向协同框架。如图10(e)所示,通过在潜在空间映射中显式引入状态切换,在多材料、多模式条件下实现了快速设计收敛。

同样的光谱响应驱动逻辑也被扩展到生物传感领域。Zhu等人提出了一种纳米等离子体超表面芯片,用于血清中小细胞外囊泡的光谱生物传感,通过分析全光谱响应实现胰腺导管腺癌筛查。该平台使用600名患者和1200名对照的队列数据(包括外部验证集),曲线下面积(AUC)达到0.99,表明了AI辅助光谱解码在超表面生物传感器中的临床潜力(图10(f))1??。

**3.3.2 结构色生成与显示**

用于结构色的超表面受不同目标约束:可见光谱必须复现目标颜色,且通常受到材料、厚度和制造公差的严格限制。在此,实际问题在于如何为同一感知颜色保留一组可用的制造兼容解,而非仅返回单一几何结构。2019年,Gao等人??提出了一种双向深度神经网络,用于基于硅的结构色的前向预测和逆向设计,实现了目标结构的高效准确生成(图11(a))。2021年,Dai等人??采用双向串联人工神经网络设计Ag/SiO?/Ag法布里-珀罗腔体,实现了远超sRGB色域的高精确结构色,如图11(b)所示。

图11 全尺寸图片 PowerPoint

超表面结构色的AI辅助逆向设计与优化。(a)基于双向深度神经网络的硅基超表面设计,用于结构色的前向预测和逆向生成??。(b)基于串联神经网络的Ag/SiO?/Ag法布里-珀罗腔体设计,实现超出sRGB色域的高精确结构色??。(c)基于卷积神经网络的随机表面形貌与激光诱导色度响应的映射,实现多通道图像加密和复用1??。(d)混合概率采样网络,用于结构色单元胞的全局优化,扩展CIE色域覆盖范围1??。(e)跨维度和非齐次设计变量的端到端生成优化,用于结构色超表面?1。图片经许可重新制作,来源:(a) 参考文献60 ? Wiley-VCH Verlag;(b) 参考文献59 ? Optica Publishing Group & 中国激光杂志社;(c) 参考文献159 ? American Chemical Society;(d) 参考文献160 ? Springer Nature & 中国激光杂志社;(e) 参考文献81 ? Optica Publishing Group。

同一团队在2022年进一步利用条件生成对抗网络(GAN)研究了求解退化问题。对于Ag/SiO?/Ag腔体,在同一目标RGB颜色下识别出多种可行的厚度组合,为制造提供了更大的灵活性?3。同样在2022年,Ma等人1??训练了一个卷积神经网络,将随机表面形貌映射为激光诱导色度响应。在此基础上,实现了高分辨率、多通道图像的加密和复用,将颜色控制与光存储和防伪功能联系起来(图11(c))。近期,Wei等人1??提出了一种混合概率采样网络(MPSN),用于由方形环和中心方柱组成的单元胞的全局优化,实现了覆盖65.2% CIE色域的结构色(图11(d))。对于条件生成式概率逆向设计模型,其关键优势在于能够保留多个可行结构,以便在色域、制造公差和材料约束下进行后续筛选,而非仅返回光谱匹配度最高的几何结构1?1。如图11(e)所示,端到端生成优化还有助于在跨维度、非齐次设计空间中联合优化形状和材料自由度时追溯Pareto前沿?1。

**3.3.3 能量收集与热器件**

对于面向能量的器件,目标转向特定波长范围内的吸收或发射,因此设计标准不仅包括光谱匹配,还涉及热稳定性、角度响应和可制造性1?2。Qiu等人??提出了REACTIVE框架,用于微波和射频器件。通过离散余弦变换(DCT)压缩S参数张量,在三频带吸收体的验证步骤中实现了显著加速(图12(a))。对于日间被动辐射冷却,Zhang等人1?3将多目标进化优化与介电阵列设计相结合,在8–13 μm大气窗口内实现了高发射率(图12(b))。为了将高维设计空间压缩为紧凑的超参数表示,将拓扑优化与对抗自编码器结合用于热发射器设计;所报告的加速相对于基于FDTD的直接拓扑优化阶段而言,不包括数据生成、模型训练或最终电磁验证。该方法针对GaSb热光伏在0.5–1.7 μm电池带中的TiN/Si?N?热发射器设计,最佳仿真设计的热发射重塑效率达到98%1??。

图12 全尺寸图片 PowerPoint

用于能量收集和热管理的超表面AI辅助设计。(a)用于微波和射频吸收体超表面单元胞加速表征与验证的REACTIVE框架??。(b)机器学习辅助的介电超表面设计,用于日间被动辐射冷却,在8–13 μm大气窗口内实现高发射率1?3。(c)基于归一化流的透热光伏发射器逆向设计,通过对目标光谱的条件采样生成结构1??。(d)多模态生成-进化设计框架,用于可制造的红外超表面,实现隐身与辐射冷却功能合一1??。图片经许可重新制作,来源:(a) 参考文献77 ? Wiley-VCH Verlag;(b) 参考文献163 ? Opto-Electronic Advances;(c) 参考文献164 ? American Chemical Society;(d) 参考文献165 ? American Chemical Society。

对于透热光伏(TPV)发射器,相同的目标光谱可与多种材料和几何选择兼容。Yang等人利用归一化流学习目标光谱的设计参数条件分布1??。在未经额外电磁仿真模拟的情况下,该方法实现了近99%的带内发射效率,并在仅使用800个样本的迁移学习后仍保持了可比性能(图12(c))。对于红外隐身和辐射冷却,Lin等人构建了一种多模态生成-进化VAE框架,联合编码了几何形状、离散材料类型和目标光谱1??。优化后的复合周期MIM超单元在大气窗口内保持低发射率,同时在5–8 μm非大气窗口内实现了0.674的平均发射率,并将表面温度降至42.6 °C,如图12(d)所示。Xiao等人进一步扩展了设计空间,将自编码器与条件GAN相结合,在0.25–25 μm范围内生成热超发射器1??。该平台以每秒2500次的速度生成候选方案,实验样品表现出超过0.96的太阳能反射率,以及在3–25 μm范围内的0.92宽带发射率。这些结果表明,热发射器的逆向设计已从单一结构的调节转向了更广泛的结构和材料空间的生成。

这些研究表明,设计范式正从局部参数调优转向更广泛的结构与材料空间中的生成式设计,从而在竞争性光学与热约束条件下拓展了可实现的谱能量调控范围。

3.4 矢量偏振与复场调控

矢量偏振与复场调控要求在琼斯矩阵或S参数框架内对振幅、相位和偏振进行联合操控。由于存在更强的通道间耦合,且设计空间随偏振和光谱自由度的增加而迅速膨胀,其逆映射问题比谱设计更为不适定。早期方法依赖于对称性破缺[167],而基于学习的映射方法则直接拟合耦合算子,或通过物理约束策略对逆设计进行正则化[47,57,72,168]。

3.4.1 手性超表面的定制化

手性超表面构成矢量偏振调控的一个独特分支,因为其目标响应由对圆偏振态的不对称耦合决定。该目标通常跨越多个波长,且对三维几何结构高度敏感,这使得逆映射强烈耦合且对制造工艺敏感。对于三维手性超表面,一个关键问题是如何在保持对称性相关关联的同时使参数空间保持可控。Ma等人[57]采用双向神经网络将五个几何参数(包括顶部和底部分裂环谐振器以及扭转角)映射到宽带全谱圆二色性(CD)响应(图13(a))。以此建立从结构参数到手性光谱的直接映射,大幅减少了对反复数值迭代的依赖。Liao等人[47]针对堆叠金纳米棒阵列,采用将透射谱和CD谱共同作为输入特征的卷积神经网络,实现了毫秒级、高精度的结构生成(图13(b))。对于三维纳米螺旋,Wu等人[168]使用紧凑的核心几何参数集(包括螺距、直径和卷曲度)训练卷积神经网络,用于预测和逆设计。由此得到的CD响应被准确预测,并按需生成了定制化的螺旋结构,如图13(c)所示。图13展示了AI辅助手性超表面设计:(a) 双向神经网络辅助的三维手性超表面宽带CD光谱逆设计[57];(b) 卷积神经网络辅助从透射谱和CD谱生成堆叠金纳米棒阵列结构[47];(c) 基于卷积神经网络的三维纳米螺旋CD响应预测与逆设计[168];(d) 混合神经网络/遗传算法优化像素化平面手性超表面以实现任意近红外CD光谱[83];(e) 条件变分自编码器辅助的拓扑手性超表面设计用于对映体识别[170]。图转载已获得以下文献许可:(a) 参考文献57,? American Chemical Society;(b) 参考文献47,? Optica Publishing Group;(c) 参考文献168,? Wiley-VCH Verlag;(d) 参考文献83,? Wiley-VCH Verlag;(e) 参考文献170,? Wiley-VCH Verlag。

除三维几何结构外,二维或平面手性超表面也面临特定挑战,尤其是训练数据有限时。为解决这一问题,Du等人[169]开发了一种数据增强方案,带有前端域适应模块,使早期研究中来源域的数据可以与少量目标域数据结合使用。在二维手性超表面的CD预测中,模型精度高达99%。对于像素化拓扑图案,Wang等人[83]提出了一种混合框架,将前向神经网络与微生物遗传算法相结合,用于优化任意近红外手性光谱。在同一层结构内实现了宽带和窄带CD器件,表明所学习的设计空间可以在不改变基本平面平台的前提下容纳显著不同的手性功能,如图13(d)所示。相同的设计逻辑可从手性光谱扩展到分子识别。Zhang等人[170]使用条件变分自编码器与基于ResNet18的前向筛选网络来设计用于手性感知的拓扑手性超表面(图13(e))。实验中,该器件表现出0.61的CD峰值,并实现了微量D型和L型谷氨酸对映体的无标定识别。

3.4.2 琼斯矩阵工程与全斯托克斯复原

除孤立的手性响应外,一个更为全面的物理目标是对完整矢量场的确定性调控与复原。不同于针对选择性圆偏振态进行优化,该任务要求对完整的偏振算子进行工程化设计,严格以琼斯矩阵或斯托克斯空间表示来表述。在该框架下,任意偏振分辨的光学响应均可被指定为设计目标。Liu等人[67]引入生成对抗网络,从用户在可见光到近红外范围内自定义的光学琼斯谱直接合成二维金/玻璃超表面图案,如图14(a)所示。图14展示了AI辅助的全斯托克斯和偏振分辨超表面:(a) 生成对抗网络辅助从用户自定义光学琼斯谱合成二维金/玻璃超表面图案[67];(b) 与残差网络解码集成的轨道角动量编码超表面,实现单次无损全带全斯托克斯偏振参数复原[17];(c) 非交错手性超表面,通过卷积神经网络解释干涉图案实现超越传统分段架构的全斯托克斯成像[171];(d) 编码孔径超表面与斯托克斯残差自注意力网络结合用于计算全斯托克斯成像[129];(e) 联合OAM编码与深度学习解码框架,将超表面产生的表面等离激元强度图像转换为太赫兹范围内的入射频率和全斯托克斯参数[172]。图转载已获得以下文献许可:(a) 参考文献67,? American Chemical Society;(b) 参考文献17,? AAAS;(c) 参考文献171,? Springer Nature & Chinese Laser Press;(d) 参考文献129,? Optica Publishing Group;(e) 参考文献172,? Springer Nature Ltd.

一旦目标以全斯托克斯形式表述,主要挑战便成为如何在不对器件进行空间分割为粗略子孔径的情况下恢复所有偏振通道。Zhang等人通过将结构化光学编码与学习式反演相结合来解决这一问题。他们的残差网络与轨道角动量编码超表面集成,实现了单次操作下全带全斯托克斯偏振参数的无损物理映射(图14(b))[17]。由此在不回归分段多单元架构的前提下提升了超紧凑偏振成像的信息通量。Jang等人[171]进一步通过非交错手性架构和基于卷积神经网络的干涉图案解释来突破传统分段超表面的空间分辨率极限(图14(c))。实现了对所有阵列光子原语的等权偏振态采样,从而推动了全斯托克斯相机的理论分辨率极限。完整偏振复原的相同需求也出现在紧凑计算成像和宽带光检测中。Xia等人[129]将编码孔径超表面与斯托克斯残差自注意力网络相结合,用于计算全斯托克斯成像,从编码图案重建了四幅斯托克斯矢量图像。通过减轻斯托克斯通道间的固有强度差异,该方案提高了微型化偏振成像的鲁棒性(图14(d))。在太赫兹范围内,Zhang等人[172]通过联合OAM编码与深度学习解码框架,将超表面产生的表面等离激元强度图像转换为覆盖整个斯托克斯球的入射频率和全斯托克斯参数(图14(e))。在这些计算框架中,超表面超越了其作为静态偏振滤波器的传统角色,转而作为物理编码前端,将全矢量复原的严重不适定性卸载给深度学习后端。

3.5 动态与可重构超表面

动态与可重构超表面将设计问题从静态几何扩展到材料状态、外部驱动和时序控制。因此,光学响应必须在热、电或其他刺激下的可及状态范围内进行规定。在相变平台中,跨状态参数漂移和中间状态不匹配使模型迁移变得复杂。在可编程阵列中,互耦、离散编码约束和系统级协同成为主导因素。因此,核心问题不仅仅是高计算成本,而是需要建模一个可行域随驱动机制变化的状态依赖响应流形。在此背景下,AI方法主要被用于三种方式:多状态逆设计,即将温度或电压等状态变量作为输入条件引入;知识增强建模,即利用转移矩阵法(TMM)等物理公式来减少状态转换的盲目遍历;以及端到端系统级协同设计,即联合建模前端物理层和后端控制层[173]。

3.5.1 动态超表面

主动介质——相变材料(PCM)和液晶(LC)——可实现制造后调控,但使状态依赖响应更难建模且逆问题更不适定。早期数据驱动研究侧重于学习材料状态与光学响应之间的映射关系。例如,Tanriover等人使用双向神经网络预测PCM状态转变,从而实现了基于Ge2Sb2Te5(GST)的可调谐谐振器和基于VO2的吸波器的设计[174]。类似地,Liao等人[175]利用机器学习通过利用VO2纳米鳍的绝缘体-金属转变(IMT)编码独立全息图,从而在可见光范围内实现动态全息切换(图15(a))。Wang等人[176]还报道了一项相关研究,他们开发了一种动态热发射器的设计框架,该发射器基于带有VO2的金属-绝缘体-金属超表面,结合了神经网络前向代理、遗传算法逆优化和决策树分析。通过引入谱分解并从实部转移知识到虚部,系统满足了辐射制冷要求并实现了0.81的发散率可调谐性,如图15(b)所示。图15展示了AI辅助动态超表面:(a) 通过绝缘体-金属转变实现VO2纳米鳍超表面中的机器学习动态全息切换[175];(b) 基于VO2的金属-绝缘体-金属动态热发射器的AI辅助设计用于辐射制冷[176];(c) 通过将转移矩阵法嵌入双向神经网络实现基于GSST的可调谐滤波器的物理约束逆设计[52];(d) 与衍射光学神经网络集成的液晶动态超表面用于目标识别[177]。图转载已获得以下文献许可:(a) 参考文献175,? De Gruyter;(b) 参考文献176,? Elsevier;(c) 参考文献52,? De Gruyter;(d) 参考文献177,? Springer Nature Ltd.

然而,更复杂的PCM(如GSST)显著的非线性限制了纯数据驱动模型的泛化能力,促使引入物理约束。An等人[52]通过将转移矩阵法(TMM)嵌入双向神经网络,将物理定律纳入逆设计过程,从而缓解了多解冲突并提高了动态滤波器设计的稳定性和可解释性(图15(c))。除状态切换单元的设计外,动态超表面还被集成到面向任务的光学系统中。2024年,Shi等人[177]将衍射光学神经网络与液晶的分级电寻址架构相结合。液晶层通过电调谐与光学网络联合优化,用于复杂背景下的目标识别。通过耦合光的并行处理能力与液晶的适应性,该架构实现了高精度识别,如图15(d)所示,从而展示了动态超表面在机器视觉中的实用性。

3.5.2 可重构超表面

可重构超表面强调可编程、实时控制。神经网络在此不仅用于结构逆设计,还用于自适应控制和任务级优化,应用涵盖伪装、成像和波束赋形[178]。相应地,RIS相关的可编程超表面可被视为可重构系统,其中AI选择编码状态以实现成像、波束赋形和无线信道控制。对于主动伪装,Qian等人[179]提出了一种深度学习驱动的自适应隐身斗篷,其对动态入射波和变化环境表现出毫秒级响应,允许自适应匹配背景。此外,Zhen等人[63]采用了串联神经网络架构用于透射型动态隐身器件的逆设计。通过施加逆预测和前向验证的双重约束,该方法缓解了与主动状态切换相关的不适定多解问题,并提高了非理想物理条件下的鲁棒性。在系统层面,可重构超表面也被用作成像、全息和无线控制的程序化前端。2019年,Li等人[180]设计了一种实时数字超表面成像仪,可通过电编程生成用于期望测量模式的辐射图案,该模式由机器学习动态决定(图16(a))。该系统在多个数据集(包括手写数字和隔墙人体手势)上展示了高精度图像编码和识别。在此基础上,他们进一步构建了智能成像架构,联合优化了可编程电磁前端和数字网络后端,表明动态编码层可充当计算成像任务中的物理自由度[181],如图16(b)所示。图16展示了AI辅助可重构超表面:(a) 电可编程数字超表面成像仪,其中机器学习用于确定实时图像编码和识别的测量模式[180];(b) 联合优化可编程电磁前端和数字网络后端的智能成像架构,用于微波成像和目标识别[181];(c) 基于具有动态成像距离的可重构超表面的计算机生成全息框架[182];(d) 通过直接逆设计实现自动无线信道管理的稳态神经形态表面[184]。

该图经许可后重绘自:(a) 文献180 ? Springer Nature Ltd;(b) 文献181 ? Springer Nature & Chinese Laser Press;(c) 文献182 ? Frontiers Media;(d) 文献184 ? AAAS。2022年,Zou等人[182]提出了一种基于可重构超表面的动态成像距离计算机生成全息框架,由一个生成器和一个物理衍射网络组成。该方法成功地在不同距离处重建了三维飞机模型的二维全息图像(图16(c))。Liu等人[183]通过将CNN预测器与遗传算法优化相结合,提出了用于自由形式可重构超表面的AI驱动逆向设计框架。他们利用微波网络理论解耦电控开关加载超原子,将二态编码超原子所需的数据集规模减半,并在5.8 GHz处展示了带宽超过20%的宽带波束偏转。同年,Fan等人[184]引入了稳态神经形态超表面,可在无需迭代计算或人工干预的情况下自动管理无线信道。该策略降低了对传统射频元件的依赖,并实现了高于90%的逆向设计精度(图16(d))。最近,一个语音控制的RIS系统集成了深度感知、语音识别、边缘计算以及用于超表面控制的现场可编程门阵列,实现了对静态或移动目标的实时通信与无线电力传输[185]。相较于预定义或手动配置的运行方式,其主要进展在于从多模态感知与用户指令到电磁激发的闭环。更广泛地,可编程超表面也被讨论为原位学习、持续适应以及混合光-数字光子AI系统的硬件平台,这提示了可重构超表面从任务特定控制向自适应计算硬件扩展的可能性[186]。在"超表面面向AI"这一方向中,本综述聚焦于任务特定的光学模拟处理器以及基于超表面的物理编码器,而更具可伸缩性的智能光子硬件这一更广泛的议题则不在其范围之内。综合来看,关于动态与可重构超表面的工作已从单状态反演发展到跨状态建模与系统级闭环优化。为便于未来更有意义的比较,除依赖单一状态的静态指标外[187],报告跨状态目标一致性、切换代价、刷新率以及在噪声扰动下的性能保持情况将更有价值。

3.6 非线性超表面与极端场调控

非线性超表面设计本质上比其线性对应物更为困难,因为其响应依赖于强耦合的多种因素,包括局域场增强、模态重叠、对称性选择定则以及谐振匹配,这些共同构成了一个高度非凸的多目标景观。AI尤其适用于学习那些难以归约为标量谱的场敏感关系,特别是当效率、光谱选择性与场约束需要协同优化时[106]。

3.6.1 非线性建模

此前,深度神经网络架构已被用于研究二维带状石墨烯晶体[188]和光学纤维[189,190]所固有的高度非线性光学响应。对于超表面应用而言,更具挑战性的任务是预测空间分辨的场与谐振增强的响应,因为非线性转换依赖于局域热点、模态重叠和对称性选择定则,而不仅仅是远场谱。Kanmaz等人[191]利用多任务编码器-解码器架构,将基于AI的响应建模从标量可观测量扩展到了复矢量近场预测,从而实现了从低维全局响应估计到空间分辨的全场重建,而后者对局域结构扰动、互耦以及近场热点定位更为敏感。该受视觉启发的框架能够准确捕捉具有大量设计自由度和强元素间耦合的超表面的高维电磁近场响应,从而便于目标波前的快速逆向设计与检索(图17(a))。这种全场预测对于非线性超表面尤为相关,因为局域场图案、偏振纹理和模态重叠直接决定频率转换与超快响应。

图17 AI辅助的非线性超表面。(a) 用于超表面矢量近场预测的多任务编码器-解码器网络[191]。(b) 结合VAE、预测网络与演化优化的混合逆向设计框架,用于增强局域场的非线性光子结构[192]。(c) 基于谐振信息的深度学习,用于BIC相关高Q谐振的预测与逆向设计[43]。(d) 基于串联网状神经网络的逆向设计,用于具有定制高Q Fano谐振的全介质超表面[193]。该图经许可后重绘自:(a) 文献191, Optica Publishing Group;(b) 文献192, American Chemical Society;(c) 文献43, Wiley-VCH Verlag;(d) 文献193, SPIE & Chinese Laser Press。

2022年,Raju等人构建了一个协同逆向设计框架,包含VAE、ResNet预测器和演化策略,用于优化多参数非线性光子器件[192]。通过精确定位能够诱导极端局域场增强和特定对称性破缺的非直观结构,该方法最大化了非线性等离激元超材料中的二次谐波产生(SHG)效率。该框架通过联合探索几何复杂性、场约束与对称性相关的非线性选择定则,为在紧凑的纳米光子平台上工程化非线性光源提供了有效途径,如图17(b)所示。

3.6.2 面向谐波产生的谐振设计

除了非线性响应建模之外,同样重要的任务是工程化那些增强和塑造谐波产生的谐振条件。特别地,BIC及其相关高Q谐振通过在亚波长结构中实现强场约束和延长的光-物质相互作用,为谐波增强提供了有效途径。因此,在保留高性能解可访问性的前提下降低高维设计空间的维度,已成为一个重要方向。将生成式建模与可微优化耦合起来的互补框架,在强非线性耦合场景下复杂的近场增强设计中已显示出潜力,混合AI流水线在不丢弃物理上重要的设计自由度的同时提升了搜索效率[104,116]。Ma等人提出了谐振信息深度学习(RIDL)用于BIC相关高Q谐振的预测与逆向设计[43]。RIDL将反射谱分解为背景分量与Fano分量,并将谐振方程作为物理先验纳入其中。在悬空的Si3N4光子晶体平板上,RIDL准确再现了超尖锐谐振,其预测的Q因子为31,527,而模拟值为32,520(图17(c))。2020年,Xu等人采用串联网状神经网络对具有定制高Q Fano谐振的全介质超表面进行逆向设计[193]。通过级联一个预训练的前向模型以解决TD-BIC硅阵列中的一对多映射歧义性,该框架得到了双功能器件,实验上使三次谐波产生(THG)增强了400倍,光电机械振动增强了100倍(图17(d))。2024年,Wang等人采用经典串联网状DNN对由两根破坏长度对称性的Si3N4矩形纳米棒组成的非对称全介质超表面中的准BIC谐振进行逆向设计[194]。以谐振波长与Q因子作为紧凑目标,该耦合前向-逆向框架缓解了非唯一性。在跨越400–1200 nm、Q因子从几百到超过10^5的1891个FDTD样本所构成的受限数据集中,串联网状网络在波长上的平均相对误差为0.06%,在Q因子上为7.57%。总体而言,非线性超表面中的AI已从逐点拟合发展到跨层级协同优化。仿真到实验的漂移以及有限的泛化能力仍未被充分探索;未来的评估应报告转换效率、Q因子、场增强、加工容差与损伤阈值,以便进行有意义的比较[106]。

4 挑战与局限

AI驱动的超表面设计已从孤立的响应整形演变为面向系统、任务驱动的优化。如今的核心瓶颈在于可扩展性、实验可靠性,以及AI在泛化与物理表征方面的局限,这些问题体现在算法基础与物理实现两个层面。

仿真成本与训练数据构建。许多用于超表面设计的有监督AI模型仍依赖于由电磁仿真生成的大型数据集。完整器件的仿真以及设计空间的广泛采样仍然代价高昂,尤其是对于大口径或准周期超表面。因此,实际工作流往往依赖于周期性单元计算或紧凑的超原子库,这虽然提高了可处理性,但可能低估了相邻异质超原子之间的耦合。问题不仅在于数据量,也在于其覆盖度和质量。如果谐振情形、与加工相关的变化或强耦合构型采样不足,训练所得模型可能在数据集的常见区域给出准确预测,但在对优化最为重要的区域失败。

对采样设计空间之外的泛化。泛化性仍然是AI驱动逆向设计的一个核心局限。深度网络往往在训练数据所覆盖的设计流形内表现最佳,而向未见过的目标、几何形状、材料、波长带或工作条件进行外推仍然困难。迁移学习、主动学习和跨波段映射可以扩展已训练模型的可用范围,但分布偏移仍难以消除。因此,跨频率迁移应被视为一个域偏移问题,在波长、材料色散、几何尺度或硬件状态改变后需要重新验证。在多功能超表面中,这一局限变得更加严重,因为相位、振幅、偏振、波长和入射角往往难以独立控制。许多模型因此仍与训练数据中所表征的波长、偏振或角度条件绑定在一起,这使其向大口径、宽带、多功能或多物理量器件的扩展变得复杂。

物理先验与模型可解释性。传统的MLP和CNN本身并不强制满足麦克斯韦一致性、互易性、能量守恒、因果性或材料约束。第2节讨论的逆向设计非唯一性仍然是一个实际挑战,因为光学上等价的解在鲁棒性与可加工性上可能差异巨大。此外,代理误差可能将优化器误导至在学习模型下看似有前景但在全波验证中失败的构型上。由物理信息启发的神经网络、可微求解器以及与光子任务相匹配的表征选择可以降低这些风险,但并不能消除它们。有限的可解释性仍使故障诊断变得困难,因为结果不佳可能源于数据不完整、采样偏差、物理约束不足、响应表征不合适或模型容量有限。

加工容差与仿真-实验失配。加工容差,作为面向制造设计(DFM)的一个核心关切,仍然是实际部署的主要障碍。生成式与逆向设计网络可能产生光学上有前景的几何形状,但在最小线宽、侧壁角度、刻蚀深度误差、表面粗糙度、对准容差或工艺变化未在训练或优化过程中纳入考虑时,它们可能难以加工。机械稳定性也常常被忽略,这对可能出现弯曲、变形或坍塌的高长宽比或自由形式结构而言可能成为问题。即便考虑了加工规则,材料色散、几何扰动、探测器噪声、标定程序和环境影响漂移仍会拉大仿真与实测性能之间的差距。因此,设计框架需要更紧密地整合工艺约束、容差分析和实验反馈。

基准测试与硬件部署。用于评估AI设计超表面的常用基准仍然缺乏。所报告的结果往往在波长范围、材料平台、器件尺寸、目标函数、仿真精度、训练数据和误差指标上各不相同,使得算法之间的客观比较变得困难。硬件部署引入了额外的约束,因为针对某一工作波段、加工流程或材料体系训练的模型在物理平台改变后可能变得不可靠。对于计算型超表面系统,实际使用还要求光学硬件与计算后端之间的协同。对于宽带与可重构系统,实际部署还必须考虑效率、带宽、调谐范围、串扰、功耗、切换速度、控制器延迟与标定稳定性之间的耦合权衡。在缺乏共享数据集、可复现的评估流水线、不确定性报告以及硬件感知的设计约束的情况下,AI驱动的超表面设计将难以从原理验证性演示转变为鲁棒器件。

跨频率基准测试。AI驱动超表面的成熟度不能由跨越光学、太赫兹、微波和RIS平台的单一基准来判断。在光学纳米光子学中,可扩展性通常受限于加工容差、材料色散、光学效率、口径尺寸、非线性可编程性以及标定漂移。在太赫兹系统中,带宽、源-探测器集成、偏振标定与封装变得同等重要。在微波和RIS平台中,相关瓶颈转向信道建模、状态量化、控制器延迟、机械形变、功率处理、环境感知与空中可复现性。因此,基准应同时报告共享的AI指标,如数据效率、推理代价以及对分布偏移的鲁棒性,以及频率特定的硬件指标,而非将一次光学计算演示、一台太赫兹波束控制器件和一个可编程无线超表面视为同一技术成熟度水平。

5 展望与结论

AI驱动的超表面设计正从孤立的结构-响应预测,转向连接电磁建模、加工约束、光学编码、计算重建与实验反馈的闭环、系统级工作流。一个核心挑战是在几何形状、入射条件或加工流程改变时维持可靠性。AI更广泛的价值将取决于学习到的表征能否捕捉并复用结构、响应与功能之间的关系,跨越相关的材料、波长带与器件任务。

未来模型应保留相关物理约束,量化采样设计空间之外的不确定性,并返回可通过效率、带宽和制造余量进行筛选的可行解集。物理引导表示、可微分传播、多保真度仿真和实验闭环反馈可以支持这一目标,但其价值仍应在分布外条件下和已制造器件中进行检验。对于计算超表面,光学前端与神经后端的联合优化可以在系统范围内重新分配功能;其成功与否应通过光学指标以及真实硬件约束下的任务级性能进行评估。一个互补方向是使用工作流级AI智能体进行文献检索、几何生成、代码编写、仿真编排和结果审计。这些智能体在纳米光子学设计中的价值取决于以验证为中心的运作,包括可追溯的求解器设置、物理约束检查、不确定性报告以及仿真与实验之间可复现的关联。自主或半自主工作流应公开可执行来源,并保留全波或实验验证作为最终决策边界。另外,光学智能体与数字化智能光学研究涉及系统级光学感知和自适应信息获取。这些进展是对器件级逆向设计和电磁验证的补充,而非替代。随着可靠验证、制造感知优化和标准化基准的建立,AI赋能的超表面可从加速设计演示逐步发展为面向计算成像、光通信、传感和自适应电磁控制的稳健系统。致谢 AI工具仅用于语法修正和语言润色,所有修改均经作者审阅和核实。作者贡献 CQ Wang构思了该想法,设计了综述,并主导了文献调研、图表准备、手稿撰写和修改。ZR Zhang负责版权许可及相关验证工作。H Xin对概念发展和手稿的关键修改做出了贡献。Z Wang、ZR Zhang和X Hu参与了对手稿的审阅与讨论。X Hu、QH Wang和Q Sun共同监督了该项目。X Hu和Q Sun提供了资金支持。所有作者均审阅并批准了最终手稿。利益冲突 作者声明无竞争财务利益。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号