《PhotoniX》:Artificial intelligence with metasurfaces: from intelligent design to intelligent computing
编辑推荐:
人工智能(AI)的快速发展彻底改变了超材料(metamaterials)的传统设计与优化方法。通过引入AI技术,超材料设计过程所需时间显著缩短,整体效率大幅提升。另一方面,AI的进步对算力提出了极高要求。在探索高速高能效的下一代计算硬件过程中,基于超表面的智能
人工智能(AI)的快速发展彻底改变了超材料(metamaterials)的传统设计与优化方法。通过引入AI技术,超材料设计过程所需时间显著缩短,整体效率大幅提升。另一方面,AI的进步对算力提出了极高要求。在探索高速高能效的下一代计算硬件过程中,基于超表面的智能计算技术——如衍射神经网络(diffractive neural networks)——受到广泛关注。研究人员聚焦于两大核心方向:超表面的智能设计与基于超表面的智能计算。在智能设计领域,分析了基于深度学习的逆向设计(inverse design)方法如何克服传统电磁仿真的效率瓶颈,实现亚波长结构的高精度自动化生成。在智能计算领域,全面探讨了光学衍射神经网络(optical diffractive neural networks)与微波可编程神经网络(microwave programmable neural networks)的实现机制。通过比较不同架构的物理神经网络在图像识别、无线通信等场景中的应用性能,揭示了超表面与AI深度融合在推动新型计算范式中的关键作用,为下一代智能电磁系统提供了理论框架与技术路线图。
本文主体内容围绕超表面与人工智能的交叉融合展开,分为智能设计算法与智能计算两大板块,系统梳理了从单元优化到系统应用的全链条进展。
智能算法用于超表面设计与应用
该部分首先回顾了AI在超表面设计中的演进历程。传统设计依赖全波仿真软件(如CST Microwave Studio)的参数扫描,耗时且受经验限制。研究人员通过引入深度学习,实现了从正向预测到逆向生成的范式转变。在超原子智能设计与优化中,核心在于将几何结构参数化,并通过神经网络建立结构与电磁响应(如S参数、反射/透射系数)的映射关系。针对逆向设计的“不适定性”(ill-posed nature),研究人员提出了可逆神经网络(INN)框架,可同时建模正向与逆向过程,生成多样化的可行结构。此外,超阵列智能设计与优化聚焦于大规模可编程超表面的编码问题。传统遗传算法难以满足实时性需求,而基于卷积神经网络(CNN)的方法(如ConvNet)结合反向投影与非线性优化的优势,实现了动态多波束赋形。为突破光学超表面设计的计算瓶颈,研究人员开发了基于奇异值分解(SVD)的数据驱动前向仿真框架,相比网格求解器速度提升104倍且内存占用降低15倍。针对多功能超表面设计中忽略单元本征限制的问题,统计机器学习方法将相位检索与结构设计融合,实现了单层结构下八种可控响应的复用。进一步,知识继承学习(KIL)框架通过分层模块化策略,模拟人类设计认知,实现了大规模多功能超表面的高效组装,并兼容加工误差与材料损耗。全息超表面智能设计则重点解决了传统梯度法计算复杂的问题。研究人员提出了三种深度学习范式:监督学习(如残差编解码CNN直接映射电场分布)、无监督学习(如物理辅助条件生成对抗网络(cGAN)嵌入电磁传播公式)、混合监督-无监督学习(如偏振全息图的端到端设计)。其中,端到端逆向设计框架消除了全息图计算环节,直接将目标图像与超表面结构参数关联,大幅简化了设计流程。
智能超表面的应用
基于上述设计方法,智能超表面已在多个前沿场景得到验证。物理层智能无线攻击系统利用可编程超表面在Wi-Fi频段(约2.4 GHz)实现被动窃听与主动欺骗的双模操作,攻击痕迹极小,揭示了其在信息安全领域的双刃剑潜力。智能室内超表面机器人(I2MR)集成了可编程超表面的微波感知能力与AI数据处理,可在非视距及穿墙条件下实现高精度三维人体姿态检测,并通过无线通信链路控制机械肢体,适用于智慧医疗与辅助生活。语言可控可编程超表面代理则结合了大型语言模型(LLM)的自主规划能力,构建了视觉语义地图,实现了通过自然语言指令分解复杂电磁任务、环境反馈自优化及多智能体协作,标志着向具身智能电磁系统的迈进。
基于超表面的智能计算
针对传统电子计算(如GPU)面临的制程与冯·诺依曼瓶颈,研究人员探索了基于超表面的新型计算硬件。自由空间衍射神经网络利用光在三维空间的传播与干涉实现模拟计算。2018年提出的全光衍射深度神经网络(D2NN)通过被动衍射层替代全连接网络的大规模矩阵运算,以光速完成分类与成像任务。为解决重构灵活性不足的问题,可重构衍射处理单元(DPU)采用光电混合架构,支持百万级神经元规模,并通过自适应训练抑制系统误差。可插拔衍射神经网络(P-DNN)通过级联超表面设计,实现骨干层共享与任务特定层替换,仅需简单插拔即可切换MNIST与Fashion-MNIST等不同数据集的识别任务。芯片集成衍射神经网络旨在提升系统稳定性与集成度。全模拟光电芯片(ACCEL)将光学模拟计算(OAC)与电子模拟计算(EAC)融合,在视觉任务中实现了74.8 TOPS/W的能效与4.6 TOPS的算力,99%的计算在光域完成,避免了模数转换的能耗。太极大规模光子芯片(Taichi)采用广度计算与多集群并行架构,突破了传统深度堆叠带来的噪声累积限制。平面单片衍射神经网络利用亚波长凹槽作为相位调制单元,实现了与CMOS传感器的片上集成。多模衍射光学神经网络(DONN)基于本征模分析方法,解决了开放边界损耗与光场演化建模难题。基于超表面的神经网络充分发挥超表面亚波长尺度与可编程特性。可编程人工智能机器(PAIM)由五层数字编码超表面构成,通过FPGA调控放大器增益实现权重动态调整,可完成手写数字分类、通信编解码及强化学习任务,并支持空间分复用(SDM)以提升信道容量。 spoof表面等离子体激元神经网络(SPNN)利用SSPP波导的灵活色散特性,集成变容二极管实现可编程权重与ReLU、Tanh等多种非线性激活函数,其解码过程直接在电磁域进行,不受基带时钟速率限制。平面衍射神经网络(pla-NN)采用PCB工艺制造,由耦合器构成的传播层与移相器构成的调制层交替堆叠,解决了传统衍射网络的失准问题,并具备柔性共形能力。太赫兹SPNN进一步将工作频段扩展至太赫兹,通过SSPP耦合器阵列实现平面基片上的波处理。多层非线性衍射神经网络(MN-DNN)则创新性地采用射频放大器与探测器构建纳秒级延迟的可编程ReLU激活函数,在动态人体姿态实时分类任务中准确率超越线性网络4%以上。
定量跨架构性能比较
研究人员从算力吞吐量、能效、延迟与物理尺寸四个维度,对传统电子处理器、集成光子系统与超表面架构进行了系统对比。电子处理器(如NVIDIA H100 GPU)以通用可编程性见长,算力达19.5 TOPS,但能效仅为10-2GOPS/W量级,受限于时钟频率与散热。集成光子系统(如ACCEL)在特定任务(如ImageNet分类)中能效高达7.48×104TOPS/W,较电子平台提升数个数量级,但牺牲了部分通用可编程性。超表面计算系统则以光速推理与物理层集成为核心优势,自由空间D2NN延迟低至光传输时间,PAIM等可编程架构实现了从分类到通信的多功能切换,能效为0.48 TOPS/W,填补了光子与电子之间的空白。三类架构各具适用场景:数字电子适合通用计算,集成光子适合高能效固定功能加速,超表面系统则适用于边缘端电磁波直接处理与创新形态计算。
结论
AI与超表面的共生融合正推动电磁工程与非冯·诺依曼计算的范式变革。在智能设计方向,深度学习已超越单纯优化工具的角色,成为逆向设计的核心引擎,有效规避了全波仿真的计算瓶颈,物理信息神经网络(physics-informed neural networks)与生成模型开始解决逆向设计的不适定性问题。在智能计算方向,超表面从静态器件演变为可重构计算物质,从自由空间衍射网络发展到芯片集成光子加速器与可编程微波系统,在特定任务中展现出数量级的延迟与能效优势。当前仍面临核心挑战:智能设计依赖大规模高保真数据集且模型“黑盒”化,需加强物理约束嵌入以提升可解释性;智能计算需在硬件层面实现通用可编程性与高能效非线性激活,微波系统需探索新材料解决方案,光学系统则需平衡非线性激活与集成难度。未来,双向协同将释放更大潜力:超表面为AI算法提供独特的物理试验平台,探索时空极致并行性;AI则重塑波工程哲学,从“可分析什么”转向“需要什么功能”,催生可训练的“元代理”(meta-agent)概念。这种智能设计与智能计算的协同进化,将闭环推动超低功耗边缘AI、泛在实时感知与自适应无线通信等下一代技术的突破。