综述：人工智能驱动超表面：面向多维光场调控与自由空间计算

《Micromachines》：Artificial Intelligence-Driven Metasurfaces Spanning Multidimensional Light Field Control and Free Space Computing

　　

超表面利用亚波长散射单元对光进行调控，其灵活性远超传统光学平台，因而被视为下一代光子系统的核心构建模块。然而，随着超表面设计维度的不断提升以及对多功能响应的迫切需求，传统依赖直觉的设计方法已逐渐暴露出局限性。本综述系统梳理了人工智能赋能超表面在三大主题下的兴起与发展：逆向设计、多维光场调控及自由空间光计算。研究人员首先总结了光场调控的基本原理及超表面设计的算法策略，涵盖随机优化、深度神经网络与生成模型，重点阐述了这些方法在快速性能预测与逆向结构发现方面的能力。随后，综述讨论了人工智能辅助策略在自由空间中实现对空间、光谱与偏振等多自由度的工程化调控。最后，研究人员强调了人工智能赋能的超表面架构在光信息处理与计算中的作用。这些进展共同指向了一个将机器智能与超光学深度融合的强大框架，为自主光子系统与高通量光计算带来了新的可能。

1. 1.
   引言
   超表面是由亚波长“超原子”构成的二维人工结构，能够对光波的相位、振幅与偏振等本征维度实现前所未有的精确控制。过去十年间，研究人员基于该平台开发了金属透镜、全息元件、虚拟现实/增强现实系统等种类繁多的紧凑型光学器件。传统正向设计策略依赖物理直觉与预定义的“超原子库”，需要进行耗时的参数扫描，典型流程始于直觉驱动或经验证的结构构型，随后通过求解麦克斯韦方程组或解析公式优化光子几何结构。然而，随着超表面向多维化与多功能集成方向发展，此类低效的设计策略已无法满足全参数琼斯矩阵及复杂波前调控的需求。为应对这一挑战，人工智能赋能的逆向设计成为一种变革性策略。早期的逆向设计主要依赖梯度下降与进化优化（如遗传算法与粒子群优化）。拓扑优化利用伴随法高效计算目标函数相对于设计变量的梯度，逐步优化内部拓扑以获得满足目标光学响应的结构；进化优化则模拟自然演化与群体行为在全局参数空间中进行搜索。然而，这两类方法均需海量电磁仿真，计算成本高昂，且难以处理高维大规模结构设计。深度学习技术的引入打破了这一瓶颈。通过学习海量数据集中结构参数与光学响应之间的映射关系，深度学习实现了快速的响应前向预测与端到端逆向设计，大幅降低了对全波电磁仿真的依赖并显著提升了设计效率。多层感知机与卷积神经网络等典型模型能够精确拟合复杂的非线性响应，快速预测相位、振幅与偏振等关键光学参数。为进一步拓展设计自由度，以生成对抗网络、变分自编码器与扩散模型为代表的生成模型应运而生，它们能够直接生成自由形态结构，实现传统优化方法无法企及的全维度、高自由度光操控。超表面与人工智能的深度融合不仅提升了硬件设计效率，还推动自由空间光计算向高性能与通用化应用迈进。经人工智能逆向设计优化的超表面可精确编码相位、振幅与偏振等多维光场信息，将复杂的计算任务转化为光衍射与调制过程，从而实现低功耗、高并行度的线性计算，突破传统电子计算在速度与能耗上的限制。基于超表面的衍射光处理器能够在自由空间中执行图像分类、特征提取与傅里叶变换等核心计算任务，其并行处理能力远超传统电子芯片，且无需复杂的集成电路，极大地简化了光计算系统架构。近年来，基于超表面的自由空间光计算已进入大规模、高速与多功能发展的新阶段。通过融合偏振、波长与传播距离等光学自由度，单一超表面器件即可实现独立的多任务并行处理，显著提升计算容量与功能集成度。
2. 2.
   超表面光场调控原理
   光学超表面由具有亚波长结构的晶胞组成，通过对材料属性、几何形状与尺寸的精细设计，实现对光的相位、振幅、偏振与色散的调控。调控机制主要包括几何相位（Pancharatnam–Berry相位）与传播相位。几何相位通过改变各向异性超原子的取向角引入，当入射光为圆偏振光时，透射场中会产生旋向相反的交叉偏振分量，其相位延迟由旋转角度决定，可实现0到2π的全相位覆盖。传播相位则依赖于电磁波传输过程中积累的光程差，由介质纳米柱的波导模式决定，与其高度成正比。除相位调控外，高性能多功能器件还需同时控制振幅。现有策略常通过引入偏振转换、反射或相干效应带来的损耗实现间接调制，但普遍存在效率受限或能量损失的固有缺陷。为此，研究人员提出了级联超表面方案：第一层超表面通过相位梯度重塑局域能流分布以形成目标振幅轮廓，第二层提供相位校正，从而在双层结构中实现振幅与相位的完全独立控制且无反射、吸收或偏振损失。偏振调控是光场全维控制的另一核心。研究人员通过在单层超表面中集成传播相位与几何相位，首次实现了对任意一对正交偏振态的独立相位控制。在此基础上发展的琼斯矩阵全息术将超表面视为空间变化的琼斯矩阵传递函数，通过傅里叶光学推导远场偏振响应，将超表面偏振光学从标量相位调制提升至矢量偏振控制。色散调制是第四维调控维度，旨在消除衍射光学固有的色差或主动利用波长依赖性实现多功能复用。针对消色差设计，可通过材料与结构色散工程维持宽带范围内的稳定功能；针对复用需求，则可利用几何相位机制将轨道角动量线性动量结合，使单一超表面在不同波长下重构出不同的图像，显著提升信息容量。
3. 3.
   超表面逆向设计方法
   3.1 基于梯度的优化与进化优化
   数值优化将设计任务转化为数学优化问题，通过迭代优化结构参数使器件光学响应逼近目标。早期的基于库的方法预先计算特定几何参数与相位、振幅响应的函数关系，再将超表面划分为独立晶胞进行映射，但忽略了晶胞间的近场耦合，限制了复杂波前调控的性能。拓扑优化通过伴随算法高效计算目标函数对数千个设计变量的梯度，实现设计空间的连续离散化，使随机初始化的折射率分布收敛至最终的二值化几何结构。形状优化则侧重于现有几何特征的平滑演化，通过表面梯度的傅里叶分解在保证制造鲁棒性的同时实现高效率。当设计目标涉及不可微分函数或易陷入局部最优的复杂空间时，受自然演化过程启发的进化优化（如遗传算法、粒子群优化）凭借全局搜索能力展现出独特优势。这类策略为多功能的实现提供了严格的数学框架，并能发现非直观的纳米结构，但针对每个新目标均需从头进行昂贵的全波电磁仿真迭代，模型不可复用，成为限制其应用的瓶颈。
   3.2 深度神经网络
   深度神经网络构建了数据驱动的代理模型，训练完成后可进行高效的实时推理，大幅提升逆向设计效率。研究人员利用神经网络近似多层纳米粒子的光散射，在训练后实现了比传统方法快数个数量级的仿真速度。为解决传统设计中忽略非周期阵列近场耦合的问题，深度卷积神经网络将目标单元的物理规格及其邻近结构作为联合输入，成功量化了非局域相互作用，使大面积超表面能在毫秒级时间内完成精确的相位补偿，显著提升器件衍射效率。然而，逆向设计中的“非唯一性”问题常导致网络收敛困难。串联神经网络架构通过耦合预训练的正向物理网络为逆向设计网络提供物理约束，有效克服了数据不一致性，确保了复杂纳米结构逆向匹配的稳定性。此外，迁移学习通过共享预训练模型的知识与经验，缓解了数据稀缺问题，实现了从输入相位轮廓到超原子阵列结构的高精度一体化生成。
   3.3 生成网络
   判别型神经网络在响应预测上表现优异，但在处理逆向设计中的“一对多”映射及生成超越预定义参数库的自由形态结构时仍面临泛化性不足与训练不收敛的挑战。生成模型通过学习设计空间的概率分布，为高性器件的开发提供了新范式。考虑制造约束的形状生成方法构建了多样化的数据集，并设计了集成自编码器与全连接网络的前向模型。生成对抗网络通过生成器与判别器的零和博弈，显著提升了从目标函数到物理图案的映射质量。然而，GAN在处理极高自由度超原子时常缺乏物理鲁棒性，导致生成结果的光学响应偏离预期。为此，串联生成网络被引入以解决逆向设计的非唯一性问题，确保生成的复杂超原子兼具形态多样性与严格的光学响应标准。去噪扩散概率模型凭借更优的生成质量与稳定性，开始取代传统GAN用于衍射超表面设计，能够精确反控复杂的远场空间功率分布。物理信息神经网络将麦克斯韦方程组等控制物理定律直接嵌入训练损失函数，确保了预测的物理一致性并提升了泛化能力。物理驱动的全局优化策略GLOnet利用伴随法计算的解析梯度在网络中反向传播，无需预计算数据集或判别网络即可实现训练，能够根据目标偏转角与波长高效生成优化的结构配置。
4. 4.
   AI赋能超表面在光场调控与光信息处理中的应用
   4.1 自由空间光场调控
   在自由空间光场操控领域，超表面突破了传统光学元件的限制，展现出极高的集成度与多维控制能力。消除超原子间相位与振幅的固有耦合是实现极高模式纯度光场调控的关键瓶颈。级联相位超表面通过空间波前变换为强度分布与相位匹配的独立操控提供了有效路径。双层双折射超光学系统利用空间非均匀性进一步解耦正交偏振态，通过两层间的波前重分布实现了高效率矢量全息与模式复用。单层层超表面受限于平面对称性，最多只能调制琼斯矩阵的三个分量，而双层级联系统可实现包含八个独立自由度的全参数琼斯矩阵完全控制。端到端逆向设计方法避免了复杂的物理推导，直接基于目标功能进行超原子的全局搜索。研究人员利用仅具两个自由度的超原子实现了涵盖波长、平面与偏振的12通道多维复用全息。针对宽带色散、多深度与非正交偏振控制等更复杂问题，基于神经网络的端到端框架利用色散全参数琼斯矩阵实现了非正交偏振下的多波长、多深度全息显示。最终，智能混合调制策略在单层超表面上同时实现了波矢、初相位、空间模式、振幅、轨道角动量与自旋角动量六个维度的协同控制，构建了288维的高维控制空间，证明了超表面已成为能够处理复杂多维光子信息的通用平台。
   4.2 基于超表面的自由空间光计算架构
   衍射深度神经网络将空间结构化的被动衍射层作为物理算子，层间传播模拟加权连接，衍射节点处的强度充当类非线性激活，从而将输入光图像逐层转换为直接完成图像分类或矩阵运算的输出光场。超表面凭借亚波长操控能力，为该计算模式提供了物理基础。研究人员开创性地构建了衍射深度神经网络的物理架构，利用多层被动衍射层作为物理算子，每个像素作为一个神经元，以光速实现复杂图像的特征提取与分类。通过引入偏振复用维度，利用亚波长超原子对正交偏振态的解耦控制，单一网络即可并行执行数字识别与时尚产品分类任务。在执行基本数学与逻辑运算方面，空间编码实现的衍射逻辑门将布尔输入映射到特定的波前状态，无需精密的干涉控制即可实现高对比度逻辑门，为通用光子处理器提供了底层逻辑。全空间偏振变换器通过在各向同性衍射层间嵌入偏振器阵列，并利用深度学习优化数万个衍射特征，实现了通用偏振变换。Janus超成像器通过学习非对称空间频率分布实现方向相关的图像重建，为单向感知与物理层安全提供了新机制。最终，多自由度集成处理器通过协同调度偏振、空间位置、旋转与距离，将分类、逻辑运算与莫尔斯码加密集成于单一平台，标志着基于超表面的衍射计算正从基础验证迈向具备高容量、高安全性与通用数学处理能力的智能光子系统。
5. 5.
   结论
   超表面作为一种革命性的平面光子平台，凭借亚波长结构工程与多维电磁波调控，彻底重塑了光场调控与自由空间光计算的技术范式。过去十年间，人工智能已成为超光学发展不可或缺的核心工具。尽管取得了显著进展，人工智能赋能超表面的大规模商业化仍面临严峻挑战。设计与制造层面，超原子通常具有高深宽比与微小特征尺寸，极小的加工公差即可导致性能严重退化，且当前兼容CMOS的制造工艺仍难以实现对百万像素级元件的实时独立控制。算法与数据层面，深度学习模型在处理超高自由度非周期结构时面临“维度灾难”，且对海量仿真数据集的依赖导致计算成本极高。系统层面，全光计算系统仍缺乏高效低功耗的非线性激活函数，且层间亚波长对准精度是限制计算精度的关键瓶颈。随着自由空间光计算的发展与制造技术的突破，该领域正进入以精密化、动态化与跨学科融合为特征的新阶段。无模型强化学习直接在硬件上实施优化，有效克服了实验噪声与仿真到现实的失配问题；可重构波基模拟计算机能够物理执行非稳态迭代算法，超越了以往简单线性光运算的限制；抗失调相位滤波衍射网络架构通过引入相位滤波算子，即使在对准误差超过5像素时仍能实现高保真图像生成。超表面与人工智能的融合正在催生新的研究范式，随着制造工艺向高精度、大面积迈进，以及人工智能智能体在复杂设计任务中自主决策能力的持续提升，人工智能赋能的超表面必将成为全光视觉感知、6G移动通信与边缘计算系统的关键支柱。