编辑推荐：
西北工业大学的研究人员为解决超表面结构设计难题，开展 AI 赋能设计研究，提出分类方法，推动相关领域发展。
在科技飞速发展的当下，超表面结构作为一种人工制造的平面器件，凭借其独特的光学和电磁特性，在众多领域展现出巨大的应用潜力。它能利用光波的振幅、相位、偏振和频率产生不同寻常的电磁响应，在光学信息处理、无线通信、光学传感等领域都有着广泛的应用前景。例如在光学信息处理中，超表面为虚拟现实设备和人工智能硬件带来了变革性的提升；在 6G 通信中，智能超表面用于控制模式设计、波束形成和频谱复用。
然而，传统的超表面结构设计过程却面临着诸多挑战。以往的设计主要依赖数值算法结合参数优化，需要进行大量的全波电动力学模拟。由于超表面设计的复杂性高、调控参数多，导致设计成本高昂、设计时间漫长，还需要众多经验丰富的研究人员参与。对于具有特定电磁响应的纳米单元结构的逆向问题，由于存在多个局部最优解，研究人员只能凭经验反转简单的光学响应，这极大地限制了超表面的发展。
为了突破这些困境，西北工业大学的研究人员开展了深入研究。他们聚焦于人工智能（AI）在超表面结构设计中的应用，旨在探索更高效、更智能的设计方法。
研究人员提出将基于 AI 算法的超表面结构设计方法分为正向设计和逆向设计。正向设计是基于从变量到性能的映射，利用智能优化算法，如启发式算法、直接二进制搜索（DBS）算法、梯度优化算法等，通过添加物理约束来加速设计指标的优化。这些算法模拟自然进化和集体行为，迭代优化设计参数，以实现复杂系统的性能优化。逆向设计则是基于从性能到变量的映射，利用神经网络等算法，通过训练网络模型，从大量数据中学习性能与变量之间的潜在规则，从而直接从目标响应中推导出结构参数。
在研究过程中，研究人员运用了多种关键技术方法。一方面，利用各种智能算法进行正向设计的优化，如遗传算法（GA）模拟自然进化过程，粒子群优化（PSO）模拟鸟群的聚集行为，蚁群优化（ACO）模拟蚂蚁的觅食行为等，这些算法在优化过程中不断调整设计参数，以达到最优性能。另一方面，借助深度学习（DL）技术进行逆向设计，包括卷积神经网络（CNN）、深度神经网络（DNN）、循环神经网络（RNN）、变分自编码器（VAE）和生成对抗网络（GAN）等。这些神经网络模型通过对大量数据的学习，能够有效捕捉设计空间和响应空间之间的复杂映射关系。
研究结果丰富多样。在正向设计方面，不同的智能算法展现出各自的优势和应用场景。GA 在解决复杂问题时表现出色，能同时改善多个系统特性，适用于各种离散和连续优化问题，在优化复杂振幅超表面天线阵列、设计超材料等方面取得了显著成果。PSO 收敛速度快且准确，在优化超表面结构，如设计环形超表面、多馈源透镜天线等方面效果显著。ACO 在多目标优化问题中表现突出，能够平衡电磁性能指标，用于设计双频太赫兹超材料吸收传感器、三维膜投影光刻超表面元件等。DBS 算法适用于离散二进制设计问题，在设计介电超表面基超紧凑、偏振不敏感的硅波导交叉器件等方面发挥了重要作用。梯度优化算法，如伴随方法（AM）、水平集优化（LST）和密度拓扑优化（DTO）等，通过计算梯度信息进行精确优化，在设计高性能光子器件、声学超表面等方面取得了良好效果。此外，将深度学习与优化算法融合的方法，如结合物理驱动神经网络（PNN）与 GA，能够减少数值模拟时间，提高设计效率。
在逆向设计方面，不同的神经网络模型也展现出独特的能力。CNN 能够自动提取复杂特征，在预测超表面结构性能和反向工程设计参数方面表现出色，如设计光学加速器、优化太赫兹宽带超表面图案等。DNN 可以有效捕捉复杂的非线性关系，在预测超表面结构性能和反向设计解决方案方面具有较高的准确性，如设计嵌入式有源超表面光子器件、集成光子功率分配器等。RNN 擅长处理时间序列数据，在分析和预测超表面元件的光学和电磁性能方面具有优势，如设计超宽带太赫兹偏振转换器、全介质表面增强拉曼散射（SERS）超表面等。VAE 和 GAN 具有强大的生成能力，能够生成满足特定功能要求的超表面结构，如基于 VAE 的复杂超表面光谱设计、基于 GAN 的多功能超表面设计等。将多种神经网络方法融合，能够发挥各自的优势，实现多目标设计，满足复杂的功能要求。
研究结论表明，AI 在超表面结构设计中展现出巨大的优势。它能够显著提高设计效率，减少人工干预，实现从需求输入到设计输出的自动化端到端流程。通过优化超表面结构，AI 可以促进更高效的光能管理和电磁能量传输，支持低能耗设备和绿色技术的发展。此外，AI 还能够处理复杂的多约束设计问题，推动设计范式从依赖领域专家经验向以数据为中心转变。
未来，超表面结构设计有望在多方面取得进一步发展。一方面，研究人员将继续探索新的调制形式，以应用于下一代通信系统，特别是在时间、频率、空域和偏振域等方面。另一方面，随着深度学习、强化学习（RL）和量子机器学习等技术的不断发展，超表面设计将更加智能化和高效化。RL 可以根据实时反馈动态调整设计策略，量子机器学习则利用量子特性加速数据处理和存储，为复杂超表面结构的设计提供更强大的支持。
总之，西北工业大学研究人员的这项研究为超表面结构设计开辟了新的道路，为相关领域的发展奠定了坚实的基础，具有重要的理论和实际意义。
