综述：人工智能赋能超构光子学
2026-03-28 22:19:56 来源：麦姆斯咨询 评论：0 点击：
本文概述了当前最先进的AI驱动超构光子系统设计方法，重点关注针对现实世界问题的解决方案，包括加速超构光子仿真与逆向设计、光学数据表征以及开发全集成的端到端AI辅助超构光子系统。
人工智能（AI）与超构光子学（metaphotonics）的融合正在为调控光与物质相互作用构建一种全新的范式。AI在多维数据中学习复杂关系并提供超高速推理的能力，与超构光子学在构建自然界不存在的光学特性方面的能力相结合，正在开启计算设计、实时调控以及全自动光学系统的新时代。
据麦姆斯咨询报道，近日，高丽大学（Korea University）、洛桑联邦理工学院（EPFL）、浙江大学等机构的研究人员组成的团队在Opto-Electronic Advances期刊上发表了题为“AI-assisted metaphotonics”的综述论文，概述了当前最先进的AI驱动超构光子系统设计方法，重点关注针对现实世界问题的解决方案，包括加速超构光子仿真与逆向设计、光学数据表征以及开发全集成的端到端AI辅助超构光子系统。最后，对超构光子学与AI这一快速发展交叉领域的未来研究方向和新兴机遇进行了展望。
随着超构材料（Metamaterials）与超构表面（Metasurfaces）研究从基础科学逐步迈向下一代技术，“超构光子学”已逐渐成为一门独立学科。纳米光子学通常用于描述纳米尺度下的光–物质相互作用；而超构材料与超构表面则分别指具有人工设计光学特性的三维体结构和二维平面结构。超构光子学涵盖了利用这些亚波长人工结构来调控光以构建先进光子系统的更广泛领域。在这一背景下，AI迅速成为应对该领域内在多种挑战的重要工具，涵盖从超构原子与超构表面的设计到光学输出分析等多个环节（见图1）。
图1 AI辅助的超构光子系统示意图
用于超构表面设计与优化的AI
超构表面的设计依赖于电磁响应的计算，以实现对光学特性的精确调控。传统方法包括时域有限差分法（FDTD）、有限元法（FEM）以及严格耦合波分析（RCWA）等，这些方法通过数值或半解析方式求解麦克斯韦方程，从而获得高精度结果。对于具有简单截面结构的超构原子而言，这类仿真在计算上是可行的；但随着超构原子结构复杂度的提高，计算时间会显著增加。对精细结构特征的解析需要更高分辨率的时空离散，这会带来巨大的计算成本，从而限制了大规模仿真的可行性。
为克服上述局限，基于AI的替代模型（surrogate models）已成为一种强有力的工具，可直接建立超构表面几何结构与电磁响应之间的映射关系（见图2a）。在保持与传统全场方法相当精度的同时，其预测速度可以提升数个数量级。
图2 AI替代模型进行纳米光子仿真
总体而言，近期的研究进展围绕AI驱动替代模型的四个核心挑战展开：（1）基于网格的替代模型加速了电磁响应预测；（2）神经算子（neural operators）在无需重新训练的情况下，能够在不同网格分辨率下保持预测精度；（3）基于图的模型能够准确表征曲边界和复杂几何结构；（4）高数据效率的学习策略降低了对大规模训练数据的依赖。在这些进展的推动下，最新的替代模型为逆向设计提供了坚实基础，使得能够设计出满足精确性能指标的超构表面结构。
逆向设计利用计算框架来确定超构原子或超构表面的结构参数，使其实现预设的光学目标。早期方法采用深度神经网络（DNN），将目标光学响应（例如相位分布、透射光谱或远场全息图）直接映射到设计参数（见图3a）。然而，这类映射在本质上是“一对多”的关系，往往导致训练过程不稳定甚至难以收敛。为缓解这一问题，引入了串联（tandem）架构，即将逆向设计网络与一个预训练的前向替代模型相耦合。通过最小化预测光学响应与目标响应之间的重构误差，该框架能够稳定训练过程，并在替代模型的训练分布范围内提升预测的准确性。
图3 AI驱动的超构光子逆向设计
逆向设计方法的发展已从确定性的深度网络映射，逐步演进到基于替代模型的优化、基于生成对抗网络（GAN）的生成方法、扩散模型精细化、混合框架，以及融合稳定性、多样性与速度优势的物理信息神经网络（PINN）。未来的发展方向包括引入主动学习以持续提升替代模型的精度，以及采用更先进的生成模型以实现对“一对多”设计空间更加灵活且高保真的探索。
尽管AI驱动的超构表面设计已取得显著进展，然而这些设计在实际实现中仍然受到制造工艺的限制。将制造约束直接融入设计阶段，不仅可以减少无效迭代，还能显著提高实验成功的几率。近期研究提出了多种将制造可行性嵌入设计流程的有效策略。例如，Ueno等人将快速生成模型与替代模型相结合，并引入基于实验标定的最小尺寸和间隙约束，构建了一个考虑制造约束的超构原子库。通过性能指标筛选器，在保证完整2π相位覆盖的同时筛选出满足制造公差的设计，从而无需进行穷举式全器件仿真即可实现快速的系统级综合（见图3c）。
用于表征和分析超构表面光学输出的AI
超构表面能够自由调控光的多维属性，生成诸如反射率、透射率、散射率和吸收光谱等光学数据，以及捕捉光–物质相互作用的二维图像。然而，传统基于物理或经验的方法往往难以全面表征已制备超构表面光谱中的非线性、噪声及多维特征。AI，尤其是深度学习，为此提供了一种有力替代方案，能够揭示传统方法无法解析的潜在模式和相关性。由于深度神经网络在挖掘输入与输出数据之间微妙关系方面表现出强大能力，它们成为探索光学数据隐藏规律的有效工具，从而实现基于超构表面系统的先进AI驱动测量与传感。
AI模型越来越多地被引入数据驱动的光谱分析中，使其能够学习光谱数据中所蕴含的非线性模式、多变量相关性以及高维表示，从而提供物理见解，并有助于分析那些难以通过传统方法获取的复杂光学响应。
在光谱数据中观测到的光谱特征（例如共振峰位移以及透射率或反射率强度的变化）对外部环境变化或材料组成具有高度敏感性。这类光谱特征已被广泛应用于多种传感领域，包括生物传感、气体检测以及化学分类（见图4a）。
图4 AI辅助的光谱数据分析
传统高光谱成像（HSI）系统通常依赖体积庞大的光学组件以及多次采集过程，导致系统结构复杂且笨重。为克服这些局限，近年来的研究开始探索将紧凑、轻量化的超构表面与AI驱动的快速数据处理相结合的方案。Lin等人开发了一种基于单个多波长超构表面芯片的超紧凑快照式高光谱成像系统，该系统能够在一次采集中获取4波段多光谱图像，并利用深度学习重建出18波段的高光谱数据立方（见图4c）。
基于超构表面的成像系统在微型化、集成化以及多功能性方面具有额外优势。其中，超构透镜（Metalens）为构建基于超构光子学的成像系统提供了一种直接途径。这些特性使其在下一代紧凑型与可穿戴光学设备，例如增强现实（AR）和虚拟现实（VR）设备中具有重要吸引力。然而，超构透镜本身易受到像差影响，在图像清晰度、对比度和信噪比方面存在限制，从而制约了实际应用中的分辨率、视场角（FOV）以及整体成像保真度。为应对这些挑战，近期研究集中于将基于AI的图像增强与复原技术应用于超构表面成像系统。此外，AI还被用于从简单的二维数据中提取额外的维度信息，例如深度和相位信息（见图5a）。
图5 AI增强的超构光子成像
除了校正色差之外，诸如视场受限和全彩图像重建等问题，也已通过AI增强的超构透镜系统得到解决。这些方法旨在通过扩展空间信息并校正各颜色通道之间的光谱不一致性，从而提升视觉保真度。Liu等人将超大视场的超构表面相机与基于Transformer的神经网络相结合，实现了视场超过100°的全彩成像，同时有效校正了色差和畸变。该网络先基于模拟的点扩散函数（PSF）进行预训练，再通过真实测量数据进行微调，在中心区域和边缘区域分别实现了13.5倍和2.7倍的对比度提升（见图5c）。
AI驱动的端到端超构表面系统
尽管AI已分别应用于超构光子学研究中的逆向设计以及基于超构表面系统的光学输出表征，但这些方法在理想设计与实际制备器件之间往往存在脱节。相比之下，通过在设计与表征之间构建可微分的流程，可以实现端到端系统，从而在优化过程中同时考虑制造约束与完整的物理系统。
通过从超构原子与超构表面的逆向设计转向基于完全可微分流程的系统级端到端优化，AI在超构光子系统中的应用正在形成一种新的范式。这种方法构建了一个多变量优化目标，将超构表面逆向设计与实际应用（例如高分辨率成像、深度感知或偏振重建）统一起来（见图6a）。类似的处理流程在传统光学中早已存在，如今正被引入超构光子系统之中。不同于传统方法中针对特定相位分布设计超构原子（而这种方式往往因材料与制造的物理限制而产生偏差），端到端优化能够同时考虑可实现的相位分布、自由空间传播过程以及传感器响应。这种一体化设计推动了基于超构光子学的先进成像系统发展，包括全息成像、超分辨成像以及三维成像，并促使超构表面设计从单纯追求物理响应最大化，转向以具体任务为导向的优化，例如以精度、感知质量以及实际可部署性为目标。
图6 AI驱动的端到端优化
通过这种基于AI的端到端优化，研究人员能够从根本上减小像差，并在大视场条件下成功生成高质量的全彩图像，从而显著提升超构透镜的性能（图6b）。
无源超构表面已证明其在亚波长尺度调控光的能力。然而，要充分释放具备自主功能的超构表面的潜力，其光学特性必须在制造完成后仍可调控。结合AI的引入，这类系统将实时感知、自适应控制、智能决策以及闭环反馈集成为统一框架，从而能够在动态环境中实现无需人为干预的自优化（见图7a）。
图7 AI驱动的自主超构光子系统
AI与可重构超构表面的融合为无线通信和雷达感知带来了变革性机遇。Fan等人展示了一种受稳态调节启发的超构表面，其中由AI驱动的自调节可重构超构表面系统能够自主地管理无线信道。这类系统在电磁互联的智慧城市中具有潜在的颠覆性应用（见图7b）。此外，智能超构表面在雷达与波束成形等应用中也得到了广泛研究，在这些场景中，对电磁波进行实时调控至关重要。
此外，受大语言模型（LLM）中推理模型的启发，研究人员还提出了“超构材料智能体”的概念。所谓光学智能体，是一种将数字光学技术与AI相融合的系统，能够感知环境并自主调控光学系统。在复杂多变的环境中，这类系统有望实现超越传统光学的性能。该智能体可以接收多种输入（例如语音、图像和文本）作为环境信息，并进行长期规划，通过与机器人和人类的交互来实现既定目标（见图7c）。借助自然语言推理能力以及多专家智能体协同，这类全自动系统展示了AI驱动超构表面平台的巨大潜力。
结论
本综述重点阐述了AI在超构光子学领域的关键进展及其影响，涵盖了从基于数据驱动的仿真，到能够实时感知并自适应环境的全自动系统。AI有望在设计与制造过程的优化与控制中发挥主导作用，从而推动现实难题的解决。在系统层面，将AI用于分析和理解超构表面与光的相互作用，为下一代传感与成像应用开辟了新的可能性，同时也有望降低对高水平专业人员进行复杂测量的依赖。这一点已在近期的端到端优化系统以及能够在外界刺激下主动重构自身性质的自主超构表面中得到体现，而这些系统均由AI进行调控。
展望未来，可解释人工智能（XAI）有望在纳米尺度揭示新的物理机制，大语言模型可用于构建交互式设计系统，片上光子学则为光学与量子计算提供关键支撑。在这些发展趋势下，AI增强的超构表面研究正成为连接两大前沿技术的重要交汇点，为基础研究与工程技术发展提供强有力的助力。
论文信息：DOI: 10.29026/oea.2026.250263
延伸阅读：