综述:人工智能与超表面的相互赋能:智能纳米光子学与光学智能

《Opto-Electronic Science》:Mutual empowerment of artificial intelligence and metasurfaces: intelligent nanophotonics and optical intelligence

【字体: 大 中 小 】 时间:2026年10月23日 来源:Opto-Electronic Science 26.9

编辑推荐:

   1 引言 随着人类社会步入智能时代,人工智能(AI)已深度融入日常生活的几乎每一个方面以及技术创新之中,从根本上重塑了信息获取、处理和利用的范式。从自动驾驶和工业机器人到医学诊断和大规模监控系统,现代人工智能越来越依赖对视觉信息的高效捕获、处理和解读来实现感知和决策任务[

  

1

引言

随着人类社会步入智能时代,人工智能(AI)已深度融入日常生活的几乎每一个方面以及技术创新之中,从根本上重塑了信息获取、处理和利用的范式。从自动驾驶和工业机器人到医学诊断和大规模监控系统,现代人工智能越来越依赖对视觉信息的高效捕获、处理和解读来实现感知和决策任务[1,2]。与此同时,视觉数据在体量和复杂度上的爆炸式增长对光学系统提出了严格的要求,需要更高的容量、更高的精度和更低的能耗。因此,光学元件与计算框架的协同合作长期以来已成为下一代智能视觉系统的核心[3,4]。然而,传统光学元件主要基于笨重的折射元件,其功能固定,适应性可调性有限,难以满足动态环境的需求。另一方面,尽管人工智能算法在模型规模和功能能力方面快速扩展,但在计算效率和硬件便携性方面遇到了根本性的瓶颈。这些挑战共同呼唤一种范式转变,即向超紧凑、超快、多功能且高度可调的光学硬件转变,并与先进的计算策略无缝集成,以实现实时数据处理[5,6]。超表面是由亚波长人工纳米结构组成的平面阵列,能够精确调控光的振幅、相位和偏振,已成为一种极具前景的解决方案,在多功能性、并行性和集成密度方面具有显著优势[7?10]。与此同时,人工智能的快速发展——包括变换器架构、扩散模型和生成框架——为将数据驱动的智能与物理光学平台紧密集成创造了有利时机[11?13]。在过去二十年中,超表面和人工智能沿着基本独立但高度互补的轨道发展,两者的最终融合建立了一个新的跨学科前沿领域[14,15]。如图1所示,这两个领域的并行发展和逐步集成可以归类为四条交织的路径:超表面、人工智能、智能超表面和光学智能。早期的超表面研究始于2011年广义相位不连续的概念[16],并迅速通过高效全息术[17]、宽带无色差金属透镜[18]和全彩金属透镜阵列[19]等里程碑式进展向前推进。与此同时,人工智能革命始于2012年基于GPU加速的卷积神经网络[20],随后出现了Inception模块[21]、AlphaGo系统[22]和变换器架构[23]等突破性成果。两者的融合大约出现在2018年,当时衍射深度神经网络证明了基于超表面的架构能够以光速在物理上实现机器学习[24],而神经网络驱动的逆设计则同时改变了光子器件优化领域[25,26]。自那时起,这种双向协同效应显著加速。一方面,人工智能通过知识继承范式[27]、基于注意力的建模[28]和端到端优化[29,30]等先进技术赋能超表面设计。另一方面,超表面实现了光学计算的新范式,包括空间微分[31,32]、片上神经网络[33]、逻辑运算[34],以及最近的多功能集成[35]。这种以AI驱动的智能纳米光子学和超表面赋能的光学智能为特征的协同进化构成了本综述的核心主题,突显了向深度集成的智能光子系统过渡这一根本转变。

图1

超表面和人工智能的并行进化与协同融合。一方面,得益于其强大的非线性运算能力、方向性优化过程和出色的泛化性能,人工智能已成为一种强大的电磁建模和逆设计引擎[36?38]。它不仅显著加速了高维设计空间的探索,还促进了自适应超器件的开发,而这些器件在传统物理驱动方法中难以处理[39?41]。另一方面,超表面作为在亚波长尺度上操控电磁波的多功能平台,天然支持超快操作、大规模并行和超紧凑集成[42?44]。这些独特特性使其成为实现下一代计算范式的理想候选者,推动向芯片级自动化器件的发展[45?47]。我们系统性地综述了这两个紧密耦合方向上的最新进展:AI驱动的智能纳米光子学和超表面赋能的光学智能。在AI驱动框架内,我们重点关注数据驱动方法[48]、物理嵌入学习方法[49]和物理可解释的全局建模技术[50]赋能的智能纳米光子学设计,随后全面讨论了在超原子[51]、超阵列[52]和系统级端到端方案[53]层面增强的结构优化策略。在超表面赋能范式中,我们强调了包括光学数学计算解方程[54]、逻辑运算[55]和图像处理[56]在内的光学智能,以及用于物体分类[57]、隐私保护加密[58]和图像重建[59]的光学神经网络。此外,我们将讨论扩展到新兴的光电系统,其中超表面和人工智能协同工作,重点关注智能视觉感知和无线通信等实际部署场景[60?63]。最后,我们概述了芯片级自主器件的未来展望和当前挑战,这些器件具备端到端功能实现和光速智能操作。通过弥合算法智能与物理波前工程之间的鸿沟,这个跨学科领域有望向高度集成、自适应和大规模可扩展的光子系统推进,为新一代芯片级自动化光电架构铺平道路。

2

智能纳米光子学

智能纳米光子学定义为利用先进的人工智能技术完成仿真和优化的纳米光子元件智能设计方法。人工智能技术为超表面设计提供了若干关键优势,使其从传统的试错法和参数扫描策略演变为面向全局优化的多尺度深度学习范式,推动了智能超表面器件的发展[64,65]。首先,神经网络通过单次前向传递实现快速推断,相比迭代优化实现了数量级的加速,同时高效探索高维参数空间。此外,其强大的非线性拟合和泛化能力能够准确捕捉复杂的、非直觉的结构-性质关系,促进发现超出传统设计策略的隐藏物理关联。与在试错工作流中丢弃大量仿真数据不同,深度学习实现了有效数据复用,显著提高了数据效率并降低了计算成本。该范式可大致分为两个过程:正向预测和逆设计。在正向预测中,AI作为高速代理模型近似物理响应,建立从超表面的工作条件和物理参数到其光学响应的正向映射,以实现快速准确的电磁仿真。在逆设计中,AI检索满足指定功能要求和性能指标的超表面结构参数和构型。这些AI驱动策略可进一步分为两个互补任务:光学响应的物理建模和期望功能的结构优化,包括传感[28]、全息[66]和成像(如三维成像[67]、全彩成像[25]、宽视场成像[68]、光谱成像[69]、矢量成像[70,71])。

2.1

物理建模

光学系统中的物理建模捕捉了从几何和材料参数到光学响应的正向映射,并处理从目标响应反求参数的逆向求解。通过学习正向电磁响应的代理模型并高效求解逆问题,AI显著加速了超器件设计,同时实现了对高维参数空间的高效探索。近期进展揭示了一个从数据驱动方法到物理嵌入并最终到物理知情范式的转变,其中物理约束被越来越多地集成到深度学习算法中以增强准确性、收敛性和鲁棒性,旨在以最小数据集实现高性能设计。在数据驱动阶段,Jiang等人展示了在拓扑优化的超光栅上训练的生成对抗网络(GAN),以在广泛的参数空间中生成高效自由的自由形式设计[48],如图2(a)所示。通过将生成建模与后续拓扑细化相结合,该方法实现了高达86%的衍射效率,同时将计算成本降低了五倍,与纯迭代方法相比。尽管效率较高,但GAN的黑箱性质限制了物理可解释性,并且在捕捉尖锐光谱特征方面存在困难。向物理嵌入学习推进,提出了一种基于变换器的可解释深度学习框架,该框架结合了光谱位置编码和多头注意力,以显式解析超表面传感器中的高Q谐振[28],如图2(b)所示。该架构实现了光谱分割方案,将参数数量减少了99%,同时实现了99%的预测准确率,促进了基于准束缚态在连续态(Q-BIC)的高性能超表面传感。然而,该框架仍然依赖大型预计算数据集。

图2

AI驱动超器件设计中的物理建模。(a)用于自由形式衍射超光栅的生成对抗网络。(b)用于超表面传感器的基于多头自注意力的变换器框架。(c)用于高对称超表面的学习增强扩散模型。(d)用于结构色的混合概率采样网络。Figure reproduced with permission from: (a) ref.48, American Chemical Society; (b) ref.28, John Wiley and Sons; (c) ref.50, John Wiley and Sons; (d) ref.30, Springer Nature.

进一步向物理知情范式推进,Dai等人引入了一种由先验知识引导的生成扩散模型,并通过物理约束的主动学习机制进行增强,以设计具有高不对称性和高优值因子(FoM)谐振的超材料[50],如图2(c)所示。为了高效赋能训练数据集,设计了物理约束的主动学习机制来选择由扩散模型生成的高对称结构,其中包括基于等效折射率的数据查询和基于谐振FoM的数据标注。该模型可将所需初始数据集减少至仅68个样本,在关键谐振指标上实现超过30%的改进,甚至产生新的三重谐振现象,展示了太赫兹超器件设计的一个高效且强大的解决方案。同样实施物理知情方案,Wei等人引入了一种混合概率采样网络,输出结构参数的混合高斯分布[30],如图2(d)所示。在该网络中,一个颜色到结构的混合密度网络作为逆设计生成器,通过对生成网络输出的混合高斯分布进行采样来获得多个结构,从而实现更大的空间搜索。来自输出的多个样本被送入预训练的正向预测网络,通过计算均方误差进行网络训练来选择与真实数据最一致的样本,从而解决一对多映射问题。它在结构色设计中实现了高性能,准确率高达99.9%,平均绝对误差小于0.002。该概率框架将物理一致性作为内在约束,确保了解决方案的多样性和可靠性。

表1给出了这些代表性的AI驱动范式和传统优化方法在超器件设计中的比较,涵盖了目标、算法、数据集大小、设计维度、预测准确率、运行时间、操作波段、硬件条件和实验演示。基于进化算法(如遗传算法GA和粒子群优化PSO)结合严格耦合波分析(RCWA)或有限差分时间域(FDTD)仿真[72,73]的传统优化策略,因其鲁棒性而被广泛用于超表面设计。然而,仿真导致高计算成本和长时间运行,特别是对于高维设计空间。这些挑战推动了向AI辅助框架的转变,以提高效率和可扩展性。基于GAN的方法证明了学习复杂拓扑分布并生成超越传统参数化设计的新型器件配置是可行的,但其准确性和鲁棒性仍然有限。此外,与物理约束主动学习相结合的扩散模型显著提高了数据效率,同时保持了在高维设计空间中导航的能力。基于变换器的架构通过注意力机制增强了预测准确率和物理可解释性,实现了更强的优化-制造关系。概率采样网络实现了快速可靠的制造结构检索,效率高且响应迅速,但需要大量样本。

表1

代表性AI驱动范式和传统方法的比较。目标、算法、数据集大小、设计维度、预测准确率、运行时间、操作波段、硬件条件、实验演示。自由形式超光栅,条件GAN拓扑优化,600,128×256像素,NA,30小时,500–1300 nm,Tesla K80 GPU,无。无色差金属透镜,PSO & FDTD,NA,2维,NA,NA,450–650 nm,NA,有。多超表面光学,GA & RCWA,NA,2维,NA,1–31小时,450–650 nm,Intel Xeon Gold 5218,64 GB RAM,有。超表面传感器,基于变换器的可解释学习,29400,5个参数,99%准确率,1.6×10?? MSE,5小时,Q-BIC谐振,Intel i7-10700K,GTX 3080,16 GB RAM,有。高不对称超表面,扩散模型物理约束主动学习,初始68,最终454,100×100像素,NA,3588.42秒用于训练,0.3–0.8 THz,RTX 4090,有。结构色,混合概率采样网络,8411,4个参数,99.9%准确率,MAE<0.002,18.80小时用于数据集和训练,400–750 nm,Intel i7-10750H,RTX 3060,64 GB RAM,有。

2.2

结构优化

超结构中的结构优化涉及系统地设计几何和材料构型以实现目标光学功能。AI方法促进了超结构在多个层面上的设计,从原子级到阵列级,最终到系统级超光学优化。

在原子层面,主要目标是建立超原子几何参数与其光学响应之间的准确且高效的映射关系,通常基于周期性结构,从而实现对相位、振幅、光谱和偏振特性的精确预测与反演。延伸至阵列层面,设计进一步引入几何参数配置和空间相位工程,包括相位分布重构、超原子选择以及将其组装成非周期性超结构。在系统层面,端到端设计将多个设计阶段或器件模块整合到统一框架中,直接将超表面结构与特定应用任务(如成像、传感和光路路由)联系起来,从而实现从物理配置到系统性能的全球优化。从超原子到超阵列再到系统层面的设计演进,体现了设计最优性、收敛效率和功能集成度的持续提升,标志着从孤立器件工程向整体光子系统的范式转变。

2.2.1 超原子层面

超原子是超表面的基本构建单元,通过其特定几何形状与光相互作用,决定超器件的功能特性。在此层面,人工智能主要用于建立几何参数与光学响应之间高效且准确的映射关系,从而实现亚波长单元对相位、振幅、光谱和偏振特性的快速正向预测和可靠反演。尽管已取得重大进展,此类单元级设计本质上仍是局部的,不足以实现具有特定空间分布的按需器件功能。本节综述了超原子设计中具有代表性的人工智能模型,包括判别式方法(如多层感知机、深度神经网络和卷积神经网络)、生成模型(如变分自编码器和生成对抗网络),以及先进技术(如扩散模型、图神经网络、Transformer架构和大语言模型)。

多层感知机在理论上能够以任意精度逼近任何连续函数,已被广泛用作初始工具来建模设计自由度有限的物质相互作用。例如,Malkiel等人采用多层感知机框架对"H"形纳米结构进行研究,将几何预测网络用于反演设计,并结合光谱预测网络作为替代模型,实现双偏振下的多共振,如图3(a)所示。具有编码器-解码器架构的卷积神经网络提供层次化特征提取,能够实现快速推理、强泛化能力以及平移和缩放不变性。卷积神经网络已被应用于设计具有五个几何参数的环形超原子,其中每个网络都包含用于替代建模的正向路径和基于联合策略的结构设计反向路径,如图3(d)所示。设计性能通过反射光谱和圆二色性光谱来量化。该方法可预测光学响应并反演结构参数,速度比传统仿真快约五个数量级。在此基础上,An等人提出了一种称为预测神经网络的深度神经网络,用于建模全介质超原子的振幅和相位响应,如图3(b)所示。该网络以柱状超原子的几何参数为输入,输出复数透射系数,由此导出振幅和相位。该模型预测准确率超过99%,推理速度达到毫秒级,比传统仿真快600倍。图3(c)展示了联合深度神经网络进一步扩展至设计具有特定光谱分布的超滤波器。超滤波器生成器以期望光谱为输入,输出对应的几何参数,对高斯形单带光谱的准确率达到近90%。

图3. AI赋能的超原子设计。(a) 基于多层感知机的"H"形自由形超原子透射光谱设计框架。(b) 基于深度神经网络的替代模型,将几何形状映射到柱状超原子的透射振幅和相位响应。(c) 用于超滤波器光谱驱动反演设计的联合深度神经网络架构。(d) 基于卷积神经网络的编码器-解码器模型,实现环形超原子光学响应与结构参数的双向预测。(e) 基于变分自编码器的生成模型,按需设计金属-绝缘体-金属超原子图案以满足偏振依赖反射光谱需求。(f) 基于生成对抗网络的十字形超原子设计框架,实现自定义透射光谱。(g) 基于扩散概率理论的模型,根据宽带振幅和相位需求实现高自由度超原子设计。(h) 图神经网络架构,捕获邻近超原子间的电磁耦合。图件经许可转载自:(a) 文献76,Springer Nature;(b, c) 文献77,American Chemical Society;(d) 文献51,American Chemical Society;(e) 文献78,John Wiley and Sons;(f) 文献79,American Chemical Society;(g) 文献80,John Wiley and Sons;(h) 文献81,American Chemical Society。

生成模型将人工智能能力扩展到发现更复杂的超原子几何结构以响应按需功能,通过学习设计空间与目标空间之间的一对多映射关系来实现。尽管这些模型能够高效生成超越人类直觉和经验的新颖超结构图案,但它们仍存在失效模式,如生成对抗网络的模式崩溃和变分自编码器的后验崩溃,这可能损害生成结构的多样性和可靠性。变分自编码器利用相似几何形状呈现相似光学特性的启发式规律,重现预定义的几何分布。Ma等人将变分自编码器应用于超原子图案设计,针对不同偏振下的反射光谱,使用夹心式金属-绝缘体-金属结构并离散化为64×64二值图像,如图3(e)所示。变分自编码器架构包括用于几何编码的识别模型、用于反射光谱预测的预测模型以及用于几何重构的生成模型。在训练过程中,识别模型学习几何形状的潜在分布,以图案特征和反射光谱为条件,确保收敛并支持多样化的按需设计。

生成对抗网络为设计高自由度自由形超原子提供了强大方法。如图3(f)所示,Liu等人提出了基于生成对抗网络的十字形超原子设计框架,生成高保真度和光谱匹配的结构图案。生成器提出结构,判别器评估其与真实超原子图案的一致性。通过对抗训练,生成器学习自然超原子几何的内在概率分布,从而实现需求驱动的设计而非随机噪声图案。仿真器预测生成几何的光学响应,从仿真器和判别器的反向传播实现全自动超原子设计。为避免生成模型的不稳定性和有限的多样性,提出了一种基于扩散概率理论的超原子设计框架,同时提高生成精度并扩展可访问的设计空间,如图3(g)所示。通过学习将超原子结构转化为高斯分布的马尔可夫扩散过程,该模型可逐步去除噪声并生成满足预定S参数响应的高自由度超原子。与代表性的生成对抗网络方法相比,基于扩散的框架展示了更快的收敛速度和更高的生成精度,凸显了其在可靠且复杂超表面设计方面的有效性。

上述方法有效解决了单个超原子的设计问题,而邻近散射体之间的强耦合以及建模整个超表面的高昂计算成本仍然是重大挑战。为应对这一挑战,引入了一种图神经网络架构来建模电磁散射并实现对任意尺寸超表面的设计,如图3(h)所示。在该框架中,散射体排列被表示为图,其中节点对应超原子,边编码邻近原子之间的相互作用。图神经网络捕获近场相互作用物理特性以预测超表面上方的电磁场分布。此外,通过将网络整合到包含近场-远场变换的全微分管线中,该方法便于设计大规模全息超表面。此外,为同时降低计算成本并确保预测精度,提出了一种结合神经网络替代模型与优化算法的设计方法。在该框架中,神经网络替代模型实现从几何拓扑到超原子光学响应光谱的快速准确正向映射,而优化算法则通过单个相移值反演搜索按需超原子。

近期人工智能的进步和快速迭代,特别是基于Transformer框架和多模态架构构建的大语言模型,已开始重塑超表面设计的格局。例如,为多层薄膜结构开发的OptoGPT可同时解决多种设计目标,包括适应多样化目标、条件和结构类型,以及制造和生产的实际考虑。在此基础上,提出了MetasurfaceViT以重建全波长Jones矩阵,实现跨任意波长、偏振和功能需求的超表面一次性设计。这些基于Transformer的大语言模型可应用于广泛的超器件,包括光谱滤波器、结构色、打印、全息图和宽带消色差金属enses,从而显著提高超表面设计工作流的效率和灵活性。然而,这些模型通常依赖大量训练数据集和庞大计算资源,这可能限制设计问题的范围,如材料类型、结构层数和光谱范围,从而限制其超出采样设计空间泛化的能力。

从方法论角度来看,不同的人工智能架构适用于不同的设计任务。判别式模型(如多层感知机、深度神经网络和卷积神经网络)在预定义参数空间内通常效果良好,因为它们具有较高的精度和计算效率。然而,对于多模式映射和自由形几何结构,其性能可能会下降。生成模型(包括变分自编码器、生成对抗网络和扩散模型)更适合探索高维设计空间并生成多样化的候选结构。然而,变分自编码器可能遭受后验崩溃,生成对抗网络容易模式崩溃,从而限制设计多样性和精度。扩散模型改进了训练稳定性和质量,但通常会导致更高的计算成本。图神经网络通过显式建模结构关系在规则几何方面具有优势,而基于Transformer的多模态和大语言模型启发架构则擅长捕获整个超器件中几何、光谱和物理特征之间的全局相关性。

2.2.2 阵列层面

尽管原子层面的AI能够实现单个单元格的精确建模和反演设计,但实现复杂超表面功能需要考虑空间分布超原子的集体行为,这推动了向阵列层面优化的过渡。在超阵列层面,器件功能来源于局域光学响应及其空间排列。AI从单元格建模扩展到大规模布局优化,通过引入几何参数调整和空间相位工程来实现。这包括目标相位分布的重构、适当超原子的选择以及组装成非周期性超结构以实现复杂波前操纵和多样化功能。然而,这些阵列层面方法存在步骤间误差累积、由于逐像素超原子匹配导致的收敛缓慢以及由于物理不完全解耦导致的功能受限等问题。本节综述了超阵列设计的AI驱动策略,包括神经网络、进化算法、基于梯度的优化、粒子群优化和遗传算法,应用范围从光束生成、图像微分到全息和光学加密。

一个显著进展在于混合深度学习框架,该框架结合了生成模型、替代仿真器和优化算法。Zhu等人开发了一个框架,利用通过迁移学习训练的仿真器与基于进化策略的优化器耦合的生成对抗网络来反演设计多层超系统,如图4(a)所示。该方法成功展示了偏振复用双功能光束生成、二阶图像微分和空间-偏振-波长复用全息。其效率和精度凸显了神经网络如何赋予超器件系统高维设计可扩展性和灵活性。并行工作聚焦于基于梯度的反演设计。如图4(b)所示,So等人采用自动微分和Adam优化器来优化单细胞超表面的相位分布以实现高容量全息。已实验验证了多平面RGB彩色全息(九张不同图像)和三維全息(十八个独立平面)。该方法消除了对复杂超原子库的需求,展示了优化算法如何在保持制造简单性的同时解锁高级功能。

图4. AI赋能的超阵列设计。(a) 集成生成模型、替代仿真器和进化优化的混合框架,用于多层超系统设计,实现偏振复用光束生成、图像微分和空间-偏振-波长复用全息。(b) 使用自动微分的梯度下降反演设计,应用于单细胞超表面,在多平面RGB和三维全息中验证。(c) Jones矩阵建模和混合进化优化用于单层超表面设计,实现波长和偏振复用聚焦以及涡旋光束生成。(d) 使用Adam优化器的反向传播应用于单层超表面,实现偏振和空间模式的双维复用以进行多通道全息编码。图件经许可转载自:(a) 文献86,American Chemical Society;(b) 文献26,John Wiley and Sons;(c) 文献87,Springer Nature;(d) 文献88,在Creative Commons Attribution 4.0 International License下授权。

对于需要跨多个波长精确偏振控制的应用,深度学习也已被证明是有效的。

Chen 等人提出了一种基于波长解耦相干像素的色散琼斯矩阵方法,以实现中红外波段多波长全偏振控制??。如图 4(c) 所示,一种结合粒子群优化和遗传算法的混合进化算法确定了匹配的超胞,实现了六通道偏振复用聚焦和涡旋光束生成,具有优异的通道隔离度和性能保真度。超越波长和偏振,空间模式与偏振状态之间的协同作用也得到了探索。Zhao 等人提出了一种双维度复用神经超表面,将多种偏振基和线偏振 (LP) 空间模式编码为独立的信息通道??,如图 4(d) 所示。利用带有 Adam 优化器的反向传播,设计了单层、非交错超表面,以编码八到十二个独立的全息通道,重建出低串扰的高保真全息图像。这种策略显著增强了信息容量,并为高安全性光学加密提供了一条可扩展的途径。同样,通过这种基于 Adam 优化器的深度学习架构,他们展示了一种双模式复用神经超表面,实现了用于模式可视化的模式路由??和高容量光纤通信?2,进一步引入了一种双模式双偏振复用神经超表面,实现了用于偏振模式识别的模式路由??。

2.2.3 系统级

尽管阵列级优化可以实现复杂的波前控制和多功能集成,但分离的设计步骤和局部近似限制了全局性能,凸显了需要直接使超表面结构与目标任务对齐的系统级方法的重要性。在系统级,超表面设计从以器件为中心的优化提升为任务导向范式,其中性能是在整体光学系统的背景下进行评估的?3,?1。AI 通过直接链接超表面结构与特定应用目标(如成像、传感和光学信息处理)来实现端到端优化。这些端到端方法综合考虑器件配置、光传播和任务导向的评估指标,实现了整个流程的全局优化。这种整体集成不仅缓解了优化过程中的误差积累,还显著提高了收敛效率、设计灵活性和功能适应性。通过超越以器件为中心的工作流程,系统级 AI 开辟了通往全集成、智能光子系统的途径,具有增强的性能、可扩展性和多功能性。超表面设计的最新进展深受 AI 赋能的端到端逆设计框架的影响。2024 年,Yin 等人介绍了一种基于伴随法的端到端方法,直接链接超表面构建与重构的全息图像,减少了对传统全息图计算和完整超原子库的需求??,如图 5(a) 所示。将超原子库、多个目标图像和重构参数(例如波长、偏振状态、距离等)输入算法,最终由基于梯度的优化更新的最优超表面直接输出。他们实验展示了在三个波长、两种偏振状态和两个传播距离下的 12 通道全息图,采用仅有两个自由度的简单矩形纳米柱超表面。虽然这项工作建立了三维复用超表面系统级设计的可行性,但进一步的改进需要更具表现力的模型来实现复杂的全光场控制。在此基础上,Chi 等人开发了一种神经网络辅助的端到端框架,通过基于色散全参数琼斯矩阵的正向模拟器和基于梯度的反向传播优化2?,如图 5(b) 所示。神经网络建立了从超原子几何参数到包含多种波长和偏振的调制场的连续映射,随后由 Adam 优化器更新超表面布局,直到满足设计标准。该框架在分离式设计方面表现出优越性,例如在多波长偏振全息中的结构相似性提高。此外,它支持了正交三偏振多波长深度复用全息和非正交偏振通道用于任意偏振 - 光谱多信息处理等功能,展示了其在多任务光学计算中的通用性。

图 5. 全尺寸图像 PowerPoint

AI 驱动的端到端超系统设计。(a) 基于伴随梯度的优化框架,将超表面布局直接与重构图像连接,用于无需完整超原子库的多通道全息。(b) 基于色散琼斯矩阵模型的神经网络辅助基于梯度的优化方法,使超表面能够进行全光场操控。(c) 深度神经网络辅助的基于梯度的优化,突破了偏振 - 波长复用超表面的极限。(d) 集成近场和远场响应的神经网络辅助 Adam 框架,用于统一的多功能超表面设计。图片经许可重绘自:(a) 文献 66, John Wiley and Sons;(b) 文献 29, John Wiley and Sons;(c) 文献 92, American Chemical Society;(d) 文献 93, John Wiley and Sons。

超越模型表达能力,最近的努力开始探索端到端超表面设计中复用容量的基本极限。如图 5(c) 所示,Bao 等人通过结合深度神经网络与基于梯度的优化,解决了计算效率和高维复用问题?2。通过将几何参数映射到波长依赖的光学响应,并利用 GPU 加速批量优化,他们的框架实现了 15 个独立的全息通道,结合三种偏振和五个波长,接近偏振 - 波长复用的实际极限。值得注意的是,这是在约 100 秒内完成的,代表了对传统进化算法的数量级加速。这项工作突出了端到端设计同时最大化通道容量和计算效率的能力,标志着向极端复用领域迈出了重要一步。同时,将端到端设计扩展到统一的物理功能对于实际部署至关重要。Wang 等人通过在同一框架内共同集成近场和远场响应,进一步推动了这一范式?3,如图 5(d) 所示。通过将代理模型与瑞利 - 索末菲衍射相结合,他们的方法利用 Adam 优化器在偏振和波长复用下实现了纳米印刷和多平面全息的协同优化。他们实验展示了单波长下的 8 通道超表面,并进一步扩展到两个波长下的 16 通道,具有低串扰和高保真度。这项工作强调了系统级设计在保持结构简洁性和制造兼容性的同时统一不同物理域的能力。

3 光学智能

光学智能是指利用光与物质相互作用来执行信息处理任务的计算范式,将物理光学与智能计算相结合。作为一种通用的电磁波操控平台,超表面能够精确控制包括幅度、相位、偏振和频率在内的多个自由度,从而作为光学计算的超紧凑且高度可编程的架构。利用光子学的内在优势以及超结构的工程功能,这些系统表现出超快的处理速度、大规模并行性、高带宽和低能耗,从而推动了从传统电子计算向光子智能系统的转变。在此框架内,光学智能可以大致分为两种互补的范式:光学数学计算和光学神经网络。前者将数学运算编码到物理波过程中,以直接实现方程求解、逻辑运算和图像处理等计算。后者利用光学元件实现神经网络架构,其中信息通过光场进行编码、传播和处理,从而实现目标分类、隐私保护、图像重构和多功能集成等高级功能。

3.1 光学数学计算

光学数学计算利用工程化的光学响应,通过光与物质相互作用执行预定义的数学运算,正成为一种高效的信息处理范式。这些范式通常针对特定的计算任务进行定制,并强调超快的处理速度和高效的能量效率。通过将物理传播映射到计算上,光子系统可以直接执行包括方程求解、逻辑运算和图像处理在内的任务。与电子处理器相比,光学平台提供了大规模并行性、增强的带宽、降低的延迟和减少的能耗。可重构超表面和逆设计光子结构的最新进展进一步实现了兼容、灵活且多功能的器件,扩展了在实时芯片级信息处理和传感系统中的应用。

3.1.1 方程求解

数学方程是分析和建模科学与工程系统的基础。在此背景下,由超材料和光子架构赋能的数学计算正成为一种求解复杂方程的诱人范式,它提供了大规模并行性和高速操作,同时缓解了传统电子处理器固有的带宽和能量限制??,??。Mohammadi Estakhri 等人的奠基性工作介绍了一种范式,其中逆设计的超结构通过波传播求解积分方程??,如图 6(a) 所示。通过将预定的积分算子嵌入超材料平台中,对于任意输入函数波,方程的解作为输出复数电磁场生成,开辟了通往芯片级方程求解的可行途径。在此基础上,Fu 等人引入了能够求解任意线性微积分方程的可重构超材料处理单元??,如图 6(b) 所示。他们的方法利用逆设计的像素化超结构在时域构建亚波长核,并结合反馈回路中的可调放大器和相移器。这种架构实现了变系数方程求解,处理速度显著提高,代表了向自适应模拟处理器迈进的关键一步。最近,这一范式已扩展到空间域,展示了大规模并行和可编程的方程求解??,如图 6(c) 所示。利用集成有电可调液晶层作为可重构计算核的 4f 光学系统,他们的平台通过单次光传播实现多个一阶常微分方程的同时求解。实验结果显示并行求解多达 158 个方程,有效地将可编程性与固有的空间并行性相结合,并大幅提高了计算吞吐量。

图 6. 全尺寸图像 PowerPoint

基于超结构方程求解的光学数学计算方法。(a) 基于逆设计超材料的积分方程求解器。(b) 采用像素化超材料构建亚波长微分算子的可重构时域方程求解器。(c) 基于 4f 光学系统和电可调液晶层的可编程空间域并行微分方程求解器。图片经许可重绘自:(a) 文献 54, American Association for the Advancement of Science;(b) 文献 96, Springer Nature;(c) 文献 97, 依据 Creative Commons Attribution 4.0 International License。

3.1.2 逻辑运算

光学逻辑运算是光学数字计算的基本构建模块,实现了编码、解码、切换和路由等基本信号处理功能。它们的工作原理依赖于光场的相干叠加,其中二进制信息编码在光的特性中。逻辑功能主要通过输入光信号的相长和相消干涉来实现,受线性光学效应支配,并可通过非线性光学相互作用进一步扩展以实现更复杂和可重构的操作???1?3。通过拓扑优化设计了硅光子平台上的全光逻辑门,以工程化介电分布1??,如图 7(a) 所示。该方案通过线性干涉同时实现了 XOR 和 OR 功能,并进一步扩展到通过级联芯片集成七个基本逻辑门(AND、OR、NOT、NAND、NOR、XOR、XNOR)和一个半加器,证实了这种片上光学逻辑电路的可行性。在紧凑的门实现基础上,提出了一种级联组合逻辑电路1??,如图 7(b) 所示。通过定制每个逻辑门的散射矩阵,实现了完整的基本光学逻辑门集(OR、XOR、NOT、AND、XNOR、NAND 和 NOR),并进一步形成更高级别的电路,如光学半加器和格雷码转二进制码转换器,展示了任意组合逻辑运算的通用性。

图 7. 全尺寸图像 PowerPoint

基于超结构逻辑运算的光学数学计算平台。(a) 基于拓扑优化硅光学的超紧凑全光逻辑门。(b) 通过逆设计级联组合逻辑电路实现的完整基本逻辑运算集。(c) 通过超表面衍射神经网络实现的量子逻辑运算。(d) 双波长超表面实现的可切换二维 AND 和异或运算。图片经许可重绘自:(a) 文献 104, American Chemical Society;(b) 文献 105, Electromagnetic Academy;(c) 文献 34, John Wiley and Sons;(d) 文献 55, American Chemical Society。

超越经典逻辑,Ding 等人介绍了一种基于超表面的衍射神经网络,利用空间和偏振复用执行量子逻辑运算3?,如图 7(c) 所示。单层无源层内的超表面经过训练以实现四种主要的量子逻辑运算(泡利 -X 门、泡利 -Y 门、泡利 -Z 门和哈达玛门)。该解决方案在数值上达到了高达 99.96% 的实验上达到了 99.88% 的高保真度,建立了用于集成光学量子计算的超紧凑和高可扩展平台。此外,基于双波长超表面,提出并实验展示了包含 AND 和 XOR 功能的基本逻辑运算??,如图 7(d) 所示。在此框架中,通过组合两个不同频率的余弦光栅和π/2 的初始相位差,用两个波长照明时同时提取两幅图像之间的相似性和差异性。

基于该算子,通过利用涉及工作波长、实验设置和光学调制的密钥,进一步探索了欺骗性消息方案,为信息加密开辟了新途径。

3.1.3 图像处理

图像处理包含各种卷积和空间微分运算,可使目标检测提取重要信息。在光学中实现图像处理计算,具有强可扩展性、高速和低功耗等优势,这对于自动驾驶和遥感等实时和高吞吐场景极具吸引力 31,106?108。作为重要基础,Fu 等人通过复杂振幅调制器工程化金属透镜的点扩散函数,展示了一种能够实现任意全光卷积的超构成像器,如图 8(a) 所示。基于几何相介电超表面,实现了包括空间微分、边缘增强和椒盐去噪在内的卷积运算,并展示了光学和生物样本的实时、并行及模拟卷积处理。利用超表面的多维复用能力,报道了一种偏振复用超微分仪,能够在单一尺寸的 Malus 超表面内同时执行一阶和二阶空间微分,如图 8(b) 所示。通过对相同纳米砖的方向进行编码,该设备在一个偏振通道中进行一阶微分以提取边界,在正交通道中进行二阶微分以实现精确的边缘定位,从而实现了具有更高紧凑性和灵敏度的多模态表面形貌表征。为进一步推进可扩展性,Huo 等人提出了一种支持从一阶到四阶多阶径向微分的贝塞尔 - 涡旋调制金属透镜,如图 8(c) 所示。该超表面通过预定义的拓扑荷实现传输函数,从而实现极坐标下的边缘增强。此外,角度复用操作允许同时执行多个微分阶数,揭示相位物体(如未染色细胞和粗糙表面)中逐渐丰富的特征。向通用操作迈进,开发了一种双相超表面计算平台,如图 8(d) 所示,能够执行任意图像变换,包括微分、互相关、顶点检测和拉普拉斯运算。通过将双相编码与偏振复用集成,单个无源超表面实现了各种模拟计算的复杂传输函数。该系统进一步展示了全光模式识别和高阶特征提取,突显了其向智能光学处理器扩展的能力。

图 8. 全尺寸图像 PowerPoint
基于超结构的图像处理光学数学计算架构。(a) 通过复杂振幅调制金属透镜实现的全光卷积超构成像器。(b) 通过具有相同纳米砖的 Malus 超表面实现的多路复用一阶和二阶超微分器。(c) 由贝塞尔 - 涡旋调制金属透镜支持的多阶径向微分。(d) 由双相超表面计算平台实现的任意空间运算,包括微分、互相关和拉普拉斯处理。经许可重绘自:(a) 参考文献 56, Springer Nature;(b) 参考文献 32, John Wiley and Sons;(c) 参考文献 109, Springer Nature;(d) 参考文献 110, Springer Nature。

3.2 光学神经网络

光学神经网络 (ONN) 是一种神经网络架构,其中信息基于光学组件编码为光学信号,并通过干涉和衍射等光 - 物质相互作用进行处理 111,112。这些架构为光子硬件中的通用智能信息处理提供了更高的适应性和可扩展性。与传统的基于电子的神经网络不同,ONN 促进了由光传播自然执行的线性运算。然而,如果没有有效的非线性激活函数或非线性读出机制,这些线性运算在表达能力上存在根本限制。可以通过光电检测和多种混合方案引入非线性,以显著增强网络功能 4,113。尽管如此,引入此类非线性元素意味着计算表达能力和硬件效率之间的权衡,影响整体延迟、吞吐量和能耗。网络通常通过数字方式训练,然后物理实现优化后的结构,以光速执行计算。与传统的电子神经网络相比,作为光学计算和深度学习协同的 ONN 提供了大规模并行、卓越的可扩展性、高数据容量和低能耗等优点,最近在包括目标分类、隐私加密、图像重建、逻辑运算和多功能集成在内的各个方面取得了显著成功。

3.2.1 目标分类

通过利用多维复用自由度,ONN 实现了高度并行、可扩展和通用的信息编码,支持从单一目标识别到复杂多目标分类的任务 114?118。同时,可重构和可插拔光子组件的纳入促进了从静态和受控良好的运行条件向动态和易受干扰环境的關鍵转变,从而显著增强了 ONN 系统的适应性、鲁棒性和实际部署潜力 119?121。随着全光衍射深度神经网络的引入,已实现了一个关键里程碑,该网络通过物理光传播而非电子计算来执行机器学习任务。2018 年,一种架构成功演示了手写数字和时尚产品图像的分类,为 ONN 建立了新范式 24,如图 9(a) 所示。通过实现全光图像分析、特征提取和目标分类,这项工作为对物理实现的光学学习系统进行广泛研究敞开了大门,作为最初的固定和高级可重构目标分类器。偏振复用超表面的集成是迈向高并行和超紧凑 ONN 的关键进展,实现了片上多通道传感。Luo 等人展示了一种超表面使能的复用衍射神经网络 (DNN),用于片上多通道传感和处理 33,如图 9(b) 所示。利用亚波长纳米柱的偏振复用能力,单个超表面可作为多通道分类器,同时识别手写数字和时尚物品。关键在于,超表面的平面架构允许与 CMOS 成像传感器无缝集成,以构建芯片级系统。这项工作表明,甚至是线性 ONN 也可以直接在物理层处理信息,实现节能、超快和多任务图像处理。迈向可扩展性的另一个重要方向是通过基于波长复用超表面的器件实现大规模并行处理。如图 9(c) 所示,Chi 等人基于单个超表面开发了多波长和多目标衍射神经网络 122。通过利用超表面的正交偏振和波长选择性,他们为不同的任务编码独立的相位分布。该设备能够同时对两个不同波长下的单个数字、单个波长下的两个数字以及两个不同波长下的两个数字进行分类。这项工作展示了如何在单层架构内利用多个物理自由度,以实现 ONN 的高吞吐量、多维信息处理。

图 9. 全尺寸图像 PowerPoint
通过复用和可重构性实现目标分类的光学神经网络。(a) 用于单目标识别的全光衍射神经网络。(b) 用于片上多通道传感和分类的超表面使能偏振复用衍射神经网络。(c) 用于多维分类的多波长和多目标衍射神经网络。(d) 用于动态目标识别和信息转换的神经超材料。(e) 用于多任务识别的可插拔衍射神经网络。(f) 用于鲁棒目标识别的抗干扰衍射神经网络。经许可重绘自:(a) 参考文献 24, American Association for the Advancement of Science;(b) 参考文献 33, Springer Nature;(c) 参考文献 122, John Wiley and Sons;(d) 参考文献 123, Springer Nature;(e) 参考文献 124, Institute of Optics and Electronics, Chinese Academy of Sciences;(f) 参考文献 57, Springer Nature。

同时,也有努力致力于将 ONN 扩展到静态环境之外。Qian 等人引入了神经超材料的概念,其中非均匀超材料或透射超表面通过深度学习进行优化,以实现动态目标识别 123,如图 9(d) 所示。具体而言,这些系统被训练为实时识别自由移动兔子的姿态,并进一步实现动态幻象,其中兔子运动序列可以转换为不同动物的全息视频,突显了在全光信息显示中的广阔应用前景。尽管取得了这些进展,但早期的 ONN 一旦制造完成,就本质上受到其静态物理架构的限制。为了解决这一限制,He 等人提出了一种基于可插拔衍射神经网络的可重构框架 124,如图 9(e) 所示。这种模块化设计包括一个共享层和可互换的任务特定分类层,通过级联超表面实现。通过采用迁移学习策略,共享层训练一次并在任务间复用,而只有分类层需要为新目标重新训练,这显著降低了重新训练的成本和时间,并为迈向多任务光学 AI 系统提供了一条灵活途径。最终,在复杂环境中提高鲁棒性仍然是实际部署的关键要求。Huang 等人通过开发一种抗干扰衍射深度神经网络来解决这一挑战,该网络能够在多对象场景中准确且鲁棒地识别目标 57,如图 9(f) 所示。该框架对目标和干扰物采用不同的基于深度学习的训练策略。具体而言,衍射层经过优化,将目标特征映射为集中的能量分布,而将各种类内、类间和动态扰动抑制为低能量且均匀分布的背景噪声。该机制使得在挑战性条件下能够实现选择性和可靠的目标识别,标志着向适用于实际应用的高鲁棒性、高吞吐量和低功耗 ONN 迈出了重要一步。

3.2.2 隐私保护

ONN 提供了一个物理框架,可直接处理高维视觉信息,包括 2D 图像和 3D 场景,而无需数字预处理。在这些系统中,信息被编码为光的多个自由度,从而实现高度并行化的信号操控 58,125。这些特性使 ONN 非常适合用于隐私保护加密。同时,对安全数据传输日益增长的需求推动了光学加密和解密方案的发展,进一步突显了基于 ONN 的方法作为安全视觉信息处理的高效途径。最近,类别特定光学处理已成为任务选择性加密和信息保护的有效策略。2022 年,Bai 等人引入了这种方法,他们报道了一种能够选择性地对目标物体成像同时抑制不想要物体的衍射相机 126,如图 10(a) 所示。该系统采用了一种多层相位调制衍射网络,经过训练作为光学模式滤波器,实验结果表明,目标手写数字被高保真地重建,而非目标类别在不同手写风格下被转换为类似噪声的分布。这项工作为任务特定的数据高效成像建立了新框架,在隐私保护方面具有潜在应用。如图 10(b) 所示,在此基础上,Bai 等人通过采用选择性地应用于指定数据类别的预设线性运算,将功能扩展到类别特定光学变换 127。建立了一个类别特定变换网络以执行类别依赖加密,产生的编码输出只能通过相应的逆变换恢复。该框架通过各种图像数据集的数值模拟进行了演示,并在电磁波谱的不同部分进行了实验验证。该研究将类别特定处理从选择性成像推广到可编程光学变换,为数据安全和节能的光学信息传输提供了一种可扩展的方法。

图 10. 全尺寸图像 PowerPoint
通过类别特定变换和非对称成像实现隐私保护的光学神经网络。(a) 用于选择性成像的类别特定衍射相机。(b) 用于光学加密的类别特定预设线性变换。(c) 通过方向依赖优化实现的单向衍射成像,用于信息安全。(d) 用于单向图像缩放的金字塔结构衍射神经网络。(e) 可见光波段的宽带单向成像。(f) 用于可重构单向和双向成像的偏振选择性衍射神经网络。经许可重绘自:(a) 参考文献 126, Springer Nature;(b) 参考文献 127, John Wiley and Sons;(c) 参考文献 128, American Association for the Advancement of Science;(d) 参考文献 129, Springer Nature;(e) 参考文献 130, Springer Nature;(f) 参考文献 131, Springer Nature。

ONN 也成为非对称成像的重要平台,通过利用超结构层中方向依赖的光传播,从单向成像到光谱宽带和功能可重构的衍射处理器,为隐私保护应用提供了清晰的进展。该方法的基础由 Li 等人建立,他们展示了一种基于深度学习优化的仅相位衍射层的单向成像系统 128,如图 10(c) 所示。通过联合最大化正向成像保真度和抑制反向传输,该系统在一个方向上实现了高质量图像重建,同时显著降低了反向输出。这种非对称设计为信息安全成像系统中的光学隔离建立了新范式。在此基础上,Bai 等人提出了一种金字塔结构 DNN,专为单向图像放大和缩小而设计,其中层按照所需的放大或缩小因子进行金字塔式缩放 129,如图 10(d) 所示。利用显著较少的衍射自由度,他们的方法在一个方向上实现了高保真放大或缩小图像,并在相反方向上抑制图像,为任务特定视觉处理器提供了一种受物理启发的策略。如图 10(e) 所示,将这些原则扩展到可见光谱,Shen 等人使用晶圆级纳米制造和多级相位调制报道了一种宽带偏振不敏感单向成像器 130。

通过多波长训练和鲁棒性感知优化,该系统在保持正向成像一致性的同时,在红、绿、蓝波段产生强烈失真的反向输出。最近,Guo等人通过将级联超表面——由四分之一波片阵列和金属光栅组成——集成到深度神经网络中,引入了偏振选择性DNN,通过入射偏振控制实现单向和双向操作之间的切换131,如图10(f)所示。该工作进一步支持了一种高安全性的数据交换框架,其中不同接收方基于方向、偏振和检测位置密钥解码不同信息。这项工作在全光学平台内实现了信息安全统一,为隐私保护光学系统的设计增加了一个新的自由度。

**3.2.3 图像重建**

衍射深度神经网络与重建框架的集成,依赖于外部测量信号来恢复三维物体的结构信息,扩展了功能和应用能力,在复杂视觉任务中具有潜力。通过利用物理光传播进行计算,基于ONN的方案实现了高效重建,在全息成像和定量相位成像(QPI)中尤为突出。全息成像记录光学波前的幅度和相位,并在适当的参考光照明下重建三维信息。ONN的集成实现了从单通道重建到复用架构的转变,提升了信息容量,为光学信息存储提供了可扩展框架。2021年,Rahman和Ozcan提出了一种基于由多个仅相位层组成的无源DNN的全光学全息图重建方法132,如图11(a)所示。该网络使用自定义损失函数进行训练以最小化逐像素误差,实现了直接图像检索同时抑制孪生像伪影。该框架进一步展示了其对未见物体的泛化能力和扩展景深,表明了衍射网络在全息重建中的有效性。

图11. 全光学神经网络通过全息成像和定量相位成像进行图像重建。(a)使用无源衍射神经网络的全光学全息图重建。(b)使用衍射神经网络的全光学定量相位成像。(c)在复杂环境中使用随机相位漫射体训练的衍射QPI。(d)用于并行相位恢复的多光谱衍射QPI。图经许可重现自:(a) 参考文献132,美国化学学会;(b) 参考文献59,John Wiley and Sons;(c) 参考文献134,Springer Nature;(d) 参考文献135,John Wiley and Sons。

QPI测量由样品引起的光程变化以获取相位信息,并恢复二维或三维折射率分布133。基于ONN的QPI通过光学计算实现相位恢复,为数字重建方法提供了高效替代方案。如图11(b)所示,Mengu和Ozcan展示了使用无源衍射神经网络的全光学QPI59。该五层系统将输入相位图案映射为输出强度变化,无需数字后处理即可实现相位恢复。该系统轴向范围为200–300个波长,紧凑高效,展示了高效率和超紧凑光学实现的潜力。此外,Li等人将衍射QPI扩展到涉及被未知随机相位漫射体遮挡的相位物体的场景134,如图11(c)所示。通过在训练过程中引入多个随机漫射体并采用更深的网络架构,系统补偿了散射引起的畸变,在约70个波长的轴向范围内实现了定量相位成像。这些结果表明,基于ONN的QPI适用于复杂环境中的成像,并具有与标准图像传感器有效区域集成的兼容性。进一步扩展功能,Shen等人开发了一种多光谱衍射QPI系统,能够在多个波长下重建相位信息135,如图11(d)所示。多层衍射网络将波长相关的相位信息编码为空间分离的强度分布,使单色传感器能够实现并行相位恢复。该方法将光谱复用与相位成像相结合,展示了衍射神经网络在紧凑框架内处理多维光学信息的能力。

**3.2.4 多功能集成**

在单一衍射神经网络架构中集成多种功能对于推进紧凑、高效、面向应用的光学系统变得日益重要。随着实际部署要求在受限于尺寸、功耗和延迟的条件下同时执行多样化任务,多功能集成已成为ONN的一个关键方向,能够增强系统级信息容量、功能可扩展性和能效。如图12(a)所示,Wang等人引入了矩阵衍射深度神经网络,将偏振敏感琼斯矩阵超表面嵌入全光学偏振复用架构中136。实现了三个具有高级功能的偏振复用超器件,包括同时进行六任务分类、非交错的琼斯矩阵八通道调控和自定义偏振信息加密。该架构表明,偏振作为自由度可以在光学网络中被有效利用,在不增加设计复杂性的情况下增强功能。此外,还提出了一种全光学自编码器框架,利用衍射网络的双向传播,通过共享物理层执行线性编码和解码35,如图12(b)所示。该系统支持三个领域的应用:图像去噪、抗噪可重构图像分类和图像生成,均在统一的光学架构中实现。该方法突显了线性衍射处理器在实现多功能、高集成度和广泛可推广的光学智能系统中的作用。

图12. 光学神经网络通过复用、统一处理和可重构架构实现多功能集成。(a)基于琼斯矩阵超表面的矩阵衍射神经网络,用于分类、调控和加密。(b)具有统一编解码处理的全光学自编码器,用于图像去噪、分类和生成。(c)通过机械复用实现的衍射魔方网络,用于全息图、聚焦和光束生成。(d)具有模块化任务适配的可移动可重构衍射神经网络,用于识别、全息图和传感。图经许可重现自:(a) 参考文献136,John Wiley and Sons;(b) 参考文献35,John Wiley and Sons;(c) 参考文献137,Springer Nature;(d) 参考文献138,Springer Nature。

在机械可重构系统的容量方面,Feng等人引入了一种衍射魔方网络,通过三种机械操作(排列、平移和旋转)的组合构建非独立通道。如图12(c)所示,利用衍射深度神经网络模型联合优化通道子集并使用特定任务的损失函数进行训练,他们的三层系统实现了144通道全息成像、108通道聚焦和60通道模式光束生成,均具有低串扰和高保真度137。该工作表明,机械变换与基于深度学习的联合优化相结合可以将复用容量提升到超高水平。将机械可扩展性的范式扩展到模块化任务适配,开发了一种基于可移动编码超表面的物理可重构衍射神经网络,其中模块化超原子可以被重新排列以在多个任务之间动态切换。通过在物理层引入迁移学习策略,该系统可以适应不同的应用,包括图像识别、电磁全息图和接触式传感,使用共享硬件平台138,如图12(d)所示。该工作证明了物理可重构性为可适应和可重用的光学系统提供了一条有效途径。尽管这些代表性研究展示了ONN在多功能实现中的强大能力,但物理自由度与算法复杂性之间存在基本的权衡关系。虽然增加可用的物理维度可以提高复用能力和可重构性,但不可避免地会扩大优化空间、延长训练过程,并增加因通道串扰和过度参数化导致性能退化的风险。基于光学特性复用和双向传播共享网络范式的架构以相对紧凑的结构配置实现多功能性,受益于高效实现和可控的优化复杂度。然而,其功能容量最终受限于有限的内在物理维度,且随着集成任务的增加,网络性能可能会受到影响。相比之下,机械可重构架构通过附加配置状态大幅扩展了可访问的维度空间,实现了增强的复用容量和任务多样性。然而,扩大的设计空间引入了更复杂的优化景观、更高的计算成本和更大的部署复杂性。因此,平衡物理自由度和算法复杂性仍然是未来多功能ONN的一个关键挑战,目标是在保持可控的优化和部署复杂性的同时实现增强的功能和可扩展性。

**4 结论**

总之,我们综述了超表面与AI交互领域的最新技术和成就。一方面,我们概述了人工智能如何促进元器件的全局设计,从数据驱动方案到物理信息架构的物理建模,以及从原子级到系统级的结构优化,提高了效率并降低了计算成本。另一方面,我们详细介绍了超表面可以实现哪些计算任务,包括光学数学计算如方程求解、逻辑运算和图像处理,以及光学神经网络实现物体分类、隐私保护和图像重建,具有超快速度、超紧凑集成和超高并行度的优势。这些进展推动了新兴混合光电集成的发展,即超表面与AI协作,信息通过光学平台获取并由电子系统处理,特别强调从概念验证到实际部署的转变,在视觉感知和无线通信中尤为突出。一个核心方向在于视觉感知,其中超表面启用的光学前端与学习算法协同设计,执行边缘增强和特征提取等线性操作,与可训练的电子后端连接,保留非线性处理以实现灵活的任务特定适配139,140。这种光电集成显著减少了电子处理器中的数据冗余和计算负担,同时补偿了光学算子中的残余不匹配。此类系统在自动驾驶、生物医学成像和监视监控等应用中发挥着变革性作用。在无线通信领域,智能超表面提供了波前工程能力,包括波束转向和模式复用。当与训练技术和反馈机制相结合时,这些系统可以实现自适应能力,表现出对环境扰动的鲁棒性,从而满足实时信息网络对稳定性、带宽和效率日益增长的需求141,142。该架构为实际场景奠定了基础,包括目标追踪、环境探测和物联网。尽管我们在这个快速演变的交互领域目睹了令人振奋的进展,但仍存在一些需要克服的关键挑战。物理限制方面,超表面的演化可以描述为自由度的持续扩展,从单参数控制进展到多维复用。最近的发展实现了通过同时控制相位、振幅、偏振、波长、角度以及空间和时间响应的全光学操控,从而引领了高容量信息处理架构143,144。然而,这些自由度并非无界,从根本上受到电磁方程支配的能量守恒以及带宽与效率之间固有制约的约束。因此,独立信息通道和可实现的控制复杂性受到明确的物理极限的约束。尽管如此,超表面中不断增加的自由度在基本界限内为光学计算提供了重要机遇。通过实现对多个光学维度的同时控制,超表面增强了信息编码能力和并行处理能力,促进了从简单算子到更复杂功能实现的转变。光学神经网络也能从这些能力中受益。凭借其多样的操控和可排列的配置,超表面可以统一空间、波长和偏振复用。此外,它们可以纳入非线性计算方案中同时保持紧凑的占位面积,从而在实际应用中提供高效的集成和封装。尽管有这些优势,限制信息容量和控制复杂性的物理约束继续限制着光学计算架构的可扩展性和可重构性。因此,基于超表面的光学计算的进一步发展将越来越多地依赖于更先进的材料和改进的方法,在这些基本限制内提高计算性能。可重构材料方面,为了缓解超表面的物理约束,具有增强灵活性和可调性的材料已成为一个通用平台,使实际场景中的多功能集成和复杂条件变换成为可能,统称为可重构材料43,145。这些材料推动了智能光学系统从预定义的静态操作向动态可编程功能的范式转变,包括相变材料、导电材料、液晶、微机电系统、电光材料和热光材料。此外,连续态束缚态(BICs)支持的高Q共振为高灵敏度和低功耗操控提供了一种有效方法,其中材料特性的微小变化可以引起光学响应的显著变化145。这种增强的可调性对智能超表面起着重要作用,因为它使可编程和多功能平台能够在不同任务之间无缝切换。此外,动态材料的引入使实时光学响应成为可能,从而提高了系统对外部干扰以及内部不确定性(如制造缺陷和实验偏差)的鲁棒性。这种能力为自适应光学系统奠定了基础。

从另一个视角来看,在人工智能快速发展的驱动下,数字光学已开始迈向一种更加智能的范式,能够执行从信息处理到能量传输等各种任务,同时适应复杂恶劣的工作环境146。在更高级的层次上,基于空间光调制器(SLM)实现的光学生成模型已被验证147,凸显了与可重构和超紧凑材料平台相结合时芯片级智能光学框架的潜力。总体而言,可重构材料是推动超表面向高度集成、自主和智能光子系统发展的关键驱动力。片上集成。超表面的发展已从自由空间实现向片上集成推进,受减小系统占位面积和提升紧凑性需求的驱动。在此背景下,超表面越来越多地与CMOS处理器、OLED显示屏和光子集成电路等成熟平台相结合,使其兼容成熟的制造工艺和电子-光子框架148?150。这一进步减少了与空间传播相关的损耗和延迟,提高了时间序列任务的灵敏度,增强了可扩展性和兼容性,从而实现了在统一的芯片级架构中集成多个光学组件。这种集成支持高效、可编程和多功能的信息处理方案,为实用的光学计算和传感系统提供了一条路径。同时,由于制造复杂性、纳米级精度要求以及影响器件性能的材料兼容性问题,大规模制造仍具挑战性,同时高成本和昂贵设备限制了更广泛的部署。因此,需要继续推进制造策略和设计方法的发展,以实现集成超表面系统的可靠和可扩展生产。通用算法。智能算法的快速发展为超表面设计提供了强大动力。遵循这一趋势,从物理信息建模和光学性能表征到端到端架构的方法已被广泛研究,实现了对高维参数空间的高效探索以及光学系统的系统化优化151,152。同时,这些方法在超表面中的应用展现了显著的通用性和灵活性,支持多样化的设计目标和器件功能。特别地,这些可推广的设计策略能够推动真正可扩展的智能光子硬件的发展,预计与仅限于特定计算任务的专用光学模拟处理器相比,将提供更多地可切换功能和可扩展容量。然而,与可行性和通用性相关的挑战依然存在,主要是由于将电磁原理和底层物理机制纳入算法框架的难度,这可能影响训练效率、收敛行为和整体优化稳定性。总体而言,先进算法的集成提供了强大的超表面设计框架,而进一步进展依赖于物理模型与数据驱动方法之间更有效的耦合。适用性限制。该交叉领域发展的最后阶段在于将其部署到现实世界的实际应用中,涉及高吞吐、低延迟和自适应数据处理。尽管已有大量概念验证演示,但仍有若干关键挑战存在。从数据角度来看,大多数研究集中在具有固定数据集的传统任务上。这些数据不足以支持不同环境下的现场学习和动态知识共享,周围条件的快速变化往往使预采集数据和离线网络训练变得不足。此外,智能模型生成的大量超结构数据集通常局限于个别研究组,缺乏标准化的数据共享协议。缺乏开放数据集是实际场景中大规模部署的重大瓶颈。关于可制造性,嵌入材料和几何约束的物理信息模型已实现了具有实际制造可行尺寸的超结构。然而,不可避免的制造公差、实验校准误差和信号衰减等因素会降低器件性能。将这些不确定性纳入优化框架可以改善智能超系统在设计、制造和实验验证之间的一致性。关于可重构性,虽然动态可调材料在功能切换方面提供了显著灵活性,但它们的效率、工作带宽和响应速度往往受到限制。大多数现有的智能超系统在单波长或有限多波长条件下已得到验证,使其难以适应现实环境中常见的宽带光信号。克服这些限制并在复杂变化的场景中实现稳健性能仍然是一个主要挑战,需要对材料选择、结构尺寸和控制策略进行谨慎的协同优化。总体而言,在现实场景中部署完全智能的超系统需要一个全面的方法,考虑数据可及性、可制造性、制造和实验公差、可重构性和环境适应性。展望未来,通过融合算法智能与物理波前工程,该交叉学科领域有望向高度集成、自适应和大规模可扩展的光子系统演进。这一进展最终将促进芯片级自动化光电架构的发展,能够在可重构器件中以任何可复现的方式执行传感、计算和处理任务,从而重塑光学智能信息处理格局以及电子系统的自主构建实现。致谢 我们感谢国家重点研发计划(项目编号:2023YFB2804701)、国家自然科学基金(项目编号:12374278)、湖北省杰出青年基金(项目编号:2025AFA090)、武汉市自然科学基金(项目编号:2026040301020024)以及湖北省创新研究群体项目(项目编号:2026AFA024)的资助。作者贡献 S.H.Y.和G.X.Z.监督了本研究。G.X.Z.和Y.Q.Z.构思了综述主题。Y.Z.和Z.L.L.设计了综述框架。Y.Z.收集、分析和综合了文献。Y.Z.、Z.L.L.和G.X.Z.起草并修改了稿件。所有作者均参与了综述的讨论并批准了最终稿件。利益冲突 作者声明不存在竞争性经济利益。
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