用于超材料设计的机器学习：方法、挑战与未来展望

《IEEE Access》：Machine Learning for Metamaterial Design: Methods, Challenges, and Future Perspectives

　　

摘要：

超材料和超表面能够实现对电磁波的先进控制，应用于隐身、波束转向和传感等领域，但其设计受到非线性响应、高维参数空间以及昂贵的全波仿真技术的限制。机器学习（ML）作为一种有效方法，通过数据驱动的正向建模、逆向设计、替代优化和电磁结构的自适应控制，帮助克服了这些限制。本文综述了基于机器学习的超材料和超表面设计方法，重点介绍了用于正向预测、逆向映射、拓扑优化和可编程超表面控制的神经网络模型。特别关注了可重构智能表面，机器学习使得在动态无线环境中实现可扩展配置成为可能，同时也探讨了新兴的生物医学传感应用。最后，我们分析了包括泛化能力、可解释性以及与电磁求解器的集成等关键挑战，并提出了未来的研究方向，如基于物理原理的学习方法和实时自适应超表面系统。