01

研究背景

超構光子學（Metaphotonics）由超構材料出發，從對負折射現象和超構透鏡的好奇逐漸發展而來，能夠利用以亞波長結構為構筑單元排列成的人工材料，突破傳統材料的局限，實現新奇的光學現象，為完全控制光提供了更廣泛深入的見解和更有用的工具。

人工智能（Artificial intelligence, AI）研究、模擬和擴展以類人類智能的方式進行計算和完成復雜工作的系統及方法，已迅速融入各類學科的前沿研究中。對于超構光子學而言，人工智能技術可以實現多種光子學器件及系統的正向逆向設計、優化和大數據處理，有望廣泛應用于三維顯示、自動駕駛、傳感、生物成像等領域。人工智能技術適用于對復雜的光與物質相互作用過程的分析和預測，將為正向逆向設計和海量數據分析提供了一種強有力的工具，將為未來智能光子設備賦能。

澳大利亞國立大學Yuri Kivshar院士和俄羅斯ITMO的Sergey Krasikov博士所在的國際研究小組在其最新綜述中，概述了智能超構光子學領域——人工智能和超構光子學交叉科學領域的進展，重點介紹了機器學習的基本原理和賦能超構光子學設計的具體應用案例。該綜述的主要內容如下：

1.機器學習的基本概念：機器學習作為一種正向和逆向光子學器件和系統設計的工具，文章首先闡述了其基本概念，以一個人工神經網絡（artificial neural network, ANN）輔助設計超構光子系統的例子體現出網絡的總體設計邏輯和優勢。

2.超構光子學中的超構系統、超構表面和納米天線結構：介紹了超構光子學的基本概念，結合實例說明機器學習輔助納米天線設計過程。進一步，重點介紹了變革性的超構表面及通過機器學習增強其特性的例子，如在吸收器、結構色、激光雷達（LiDAR）或近眼顯示器方面的設計應用。

3. 超構表面作為化學生物傳感平臺的應用：機器學習在化學和生物傳感領域不僅可以用作傳感器優化設計方法，還可以作為樣品分類的工具。列舉了機器學習用于比色傳感器優化、增強DNA寡聚體檢測靈敏度、實時監測生物分子動力學、SARS-CoV-2分類等研究實例。

4.自適應智能超構系統：智能光子設備能夠隨著環境條件的變化自動調整其響應。例如，可根據電磁場頻率和入射角的變化而自適應調整的“隱身斗篷”，可自動調整元件位置和方向的激光器智能控制系統。

5. 總結和展望：總結了人工智能輔助超構光子學設計的概念和進展，拓展性地介紹了該技術未來在拓撲光子學、高Q光學共振超構表面設計、光神經網絡、生物啟發性智能器件、光子突觸、高維度優化等研究領域的潛在發展和挑戰。

02

機器學習的基本概念

當今人工智能領域的大多數應用程序和設計都基于機器學習（machine learning, ML），機器學習的發展為人工智能的學習能力提供了一套數據驅動的算法。機器學習算法的目標是找到連接輸入輸出數據的數學模型，可完成包括分類、回歸、聚類、異常檢測和結構化預測等一系列任務，但特征提取過程往往消耗較大并且需要特定領域的專業知識。

深度學習（Deep learning, DL）是機器學習的一個子類，如圖1所示。該方法基于人工神經網絡的分層結構，以類似生物神經結構的的方式工作。與經典機器學習方法不同，深度學習的關鍵在于自動學習數據集特征，設計過程不需要掌握特定領域的知識即可得到輸入輸出間的映射關系。

圖1 機器學習相關的不同概念間的關系 深度學習主要作為一種正向或逆向光子學設計的工具使用，如圖2所示，數據集中特定結構的物理響應通過數值仿真或實驗獲得。正向設計預測給定結構的物理響應（如散射光譜、偏振等）；逆向設計可確定提供目標響應所需的結構參數。深度學習實現了一種非模擬的而是數據驅動的近似模型替代，即可近似看作是一個結構和物理響應之間的功能映射黑盒。

圖2 基于深度學習技術的正向和逆向設計

03

變革性的超構系統和超構表面設計

光學超構材料可以有效操控電磁波，展示出多種奇特的光學現象并有望代替部分傳統光學元件和設備，進一步支持未來光子技術在高水平集成化、多功能、高性能的嵌入式數據處理和波導集成平臺上的發展。因此，在超構光子學領域，研究和優化材料構建塊（如納米天線和超構表面）成為一項重要的工作。

文章首先介紹了利用機器學習方式設計納米天線的過程和總體思路。以核殼結構的散射響應工程為例，如圖3所示，通過訓練網絡達到正向預測納米粒子的散射光譜或者逆向確定特定響應所需的材料和結構參數的目標。相較于傳統的FDTD仿真，機器學習正向設計的速度快，預測準確度高，有望結合傳統的數值仿真方式形成一種新型的計算工具實現實時遠場響應設計。進一步，為解決深度學習中對大數據樣本的需求，遷移學習（transfer learning）的提出允許使用已為其他任務訓練過的人工神經網絡來解決新的問題。

圖3 機器學習賦能多層納米天線設計。(a)基于深度學習方法的設計程序示意圖。(b)演示由相變材料制成的多層球體從不可見到超散射的轉變。(c)遷移學習過程

隨后，介紹了機器學習輔助的特定功能超構表面及超構器件設計優化，如圖4所示。其中，深度學習可以處理具有固定幾何形狀單元結構的參數優化問題或實現自由形式設計，如像素化圖像集的單元結構，從而顯著擴展了單元結構幾何形狀的范圍。超構表面和超構器件開發的關鍵任務之一是調整光與物質相互作用的特定參量，因此許多研究都致力于設計和優化其吸收、散射和衍射特性。文章介紹了深度學習輔助設計在多諧振和寬帶吸收器、結構色器件、高性能太陽能電池、激光成像探測和測距（laser imaging detection and ranging, LIDAR）系統、近眼顯示器、“光帆”、高魯棒性器件等方面的應用，體現出該設計方法對超構器件和系統實用性起到了重要的提升作用。

圖4 機器學習賦能的變革性超構表面設計。(a)超構表面逆向設計的一般方案。(b)由兩個ITO電極組成的LIDAR設備示例，其中超構結構包含液晶，施加到電極的電壓通過 FPGA處理器控制。超構表面通過調整折射率以所需角度偏轉透射光束。(c)利用分束器作為耦合光柵的雙目近眼顯示器

04

化學和生物傳感

智能生物傳感器融合了多種先進技術，而機器學習輔助設計的超構表面是其中一類子課題，具有極高的研究價值，如圖5所示。一方面，該超構傳感器提供了一個可靠穩定的傳感平臺。文章以所展示的基于全電解質超構表面的比色傳感器及基于等離子體超構表面的DNA寡聚體檢測器與傳統器件的對比，展示出該類優化傳感器的高靈敏度和高穩定性。另一方面，也可設計其使成為分析響應光譜及對特定分子分類的工具，用于生物分子動力學監測研究。

圖5 深度學習賦能的超構傳感器。(a)深度學習輔助設計的超構表面傳感應用示意圖。(b)使用深度學習方法逆向設計的比色傳感器示例。(c)深度學習輔助設計的SARS-CoV-2分類器件。(d)用于監測生物分子動力學的等離子體傳感器示例

05

自適應超構系統

人工智能技術可調整系統對特定輸入的響應，進一步改變輸入可編程超構表面的編碼序列以適應環境變化。近年來，作為智能超表面的一個新分支，這一概念在射頻無線通信領域引起了人們的廣泛關注，將有望應用于6G和物聯網技術中，如圖6所示。

圖 6 自適應超構表面。(a)深度學習輔助自適應超構設備的示意圖。(b)自適應隱形裝置示例。(c)基于超構表面的深度學習輔助微波成像儀。(d)具有可重編程功能的基于超構表面的光學人工神經網絡。

06

觀點和展望

機器學習能夠幫助研究者實現非常規、高性能的光學設計，從而推進基于超構光子學設備的成像、傳感等功能實現，如圖7所示。隨著在智能光子學設計方法和新興材料平臺構建上的投入增多，智能超構系統、拓撲光子學、光神經網絡、高維系統優化等新研究、新視角、新方法將被不斷開拓，從而極大地拓寬光子學領域及其應用。

文章強調了光子設備作為物理神經網絡平臺實現模擬自然神經結構的信息處理方法——神經形態計算的可能性。不同于傳統的集中式處理架構，通過這種分布式的信息處理方法，能夠實現節能、并行的計算和任務處理。目前，不同類型的光子神經元方案已通過使用馬赫-曾德爾干涉儀、相變材料、衍射元件等進行物理實現。超構光子學中的多種力學和非線性現象能夠進一步使得這些物理深度學習平臺實現更復雜和重要的計算，如卷積神經網絡的構建等。同時，其他的受生物學啟發的智能超構系統，如蜘蛛眼視覺系統、光子突觸等，在人工智能技術的助力下也能得到性能和功能多樣性的提升。

圖7 深度學習支持的超構系統示例。(a)一維光子晶體拓撲特性的正向和逆向設計。(b) 通過深度學習算法設計的連續體中的束縛態，允許預測具有自動標記模式的反射光譜并找到合適的晶胞幾何參數。(c)受生物學啟發的深度學習算法輔助系統示例。通過模仿生物神經網絡的工作邏輯，實現類蜘蛛視覺系統設計

責任編輯：彭菁