通过深度学习实现太赫兹超表面的高效按需逆向设计

《Optics & Laser Technology》：An efficient on-demand inverse design of terahertz metasurfaces via deep learning

高效在需求场景下设计的THz超表面方法，结合迁移学习加速的神经网络与遗传算法，实现跨多应用场景（幅度谱定制、高效传输阵列天线、极化转换器）的快速优化，降低数据依赖和计算资源消耗。

　　在当前科技快速发展的背景下，电磁超表面（metasurface）作为一种新型的平面结构，因其在太赫兹波（THz wave）领域中展现出的高效率、紧凑结构和低成本制造等优势，成为下一代通信和传感系统研究中的重要方向。然而，传统的超表面设计方法在面对新需求时，往往受到特定任务架构和冗余数据集再生的限制，导致设计过程不够灵活且资源消耗较大。因此，如何在数据有限的条件下，实现高效且可适应的超表面设计，成为当前研究的一个关键挑战。

针对这一问题，本文提出了一种高效的按需设计方法（Efficient On-demand Design Method, EDDM）。该方法通过将遗传算法（Genetic Algorithm, GA）与加速人工神经网络（Artificial Neural Network, ANN）相结合，实现了对目标驱动的快速优化。EDDM的核心思想在于利用GA的适应性与ANN的预测能力，构建一个既具备物理特性的模型，又能够根据不同的设计目标进行灵活调整的框架。这种方法不仅能够有效降低数据依赖性，还能在设计过程中显著减少计算资源的消耗，从而提升设计效率与精度。

在EDDM的实现过程中，采用了参数共享的物理分区人工神经网络模型。这一设计使得模型在面对不同的任务时，能够充分利用已有的训练数据，而无需从头开始进行大规模的数据集生成和模型训练。此外，通过引入GA驱动的自适应适应度函数，EDDM能够将电磁（Electromagnetic, EM）性能要求转化为可量化的优化目标，从而实现对设计参数的精准调控。这种结合使得模型在保持高精度的同时，具备了更强的泛化能力和任务适应性。

为了验证EDDM的有效性，本文展示了其在三种不同应用场景下的应用实例。首先是针对定制化幅度谱的超表面设计，通过EDDM方法，成功构建了能够实现特定电磁响应的结构。其次是高效率的太赫兹透射阵列天线（Transmitarray Antenna, TA）设计，EDDM不仅在设计过程中实现了对天线参数的优化，还成功地达到了29 dB的增益和52%的孔径效率。最后是线极化到圆极化的转换器设计，该转换器在相同频率下表现出低于1.2 dB的轴比（Axial Ratio, AR），充分证明了EDDM在实现复杂电磁功能方面的潜力。

从技术实现的角度来看，EDDM的设计框架充分利用了结构化数据集的安排和人工神经网络的超参数优化。这种方法不仅提升了模型的可重用性，还显著降低了计算需求。在实际应用中，传统的设计方法通常需要大量的全波仿真来求解麦克斯韦方程组，从而获得电磁响应。然而，这种过程往往需要大量的计算资源，并且容易陷入局部最优解，难以满足多样化的设计需求。相比之下，EDDM通过将物理特性和机器学习算法相结合，能够在减少数据依赖的同时，实现对设计目标的高效优化。

EDDM的另一个重要优势在于其灵活性和可扩展性。由于采用了参数共享的模型结构，EDDM能够在不同的任务之间实现快速切换，而无需对模型进行大规模重构或重新训练。这种设计使得EDDM能够适应多种不同的电磁功能需求，包括但不限于幅度谱定制、高增益天线设计以及极化转换等。此外，EDDM还能够根据不同的应用场景，动态调整适应度函数，从而确保设计结果的最优性。

在实际操作中，EDDM的框架由两个主要部分构成：一是基于优化人工神经网络的高精度前向预测模型，二是由遗传算法驱动的逆向设计方案。前向预测模型通过学习已有的数据集，能够快速预测特定结构的电磁响应，而逆向设计方案则通过迭代优化过程，逐步调整结构参数以满足设计目标。这种双向结合的设计方式，不仅提升了模型的预测能力，还增强了设计过程的可控性。

此外，本文还对EDDM在太赫兹波段的应用进行了探讨。由于太赫兹波段的电磁特性较为复杂，传统的数据集生成方法往往面临数据获取困难和计算成本高昂的问题。而EDDM通过引入自适应适应度函数和参数共享的模型结构，能够在数据有限的情况下，依然实现对超表面结构的高效优化。这种方法不仅适用于太赫兹波段，也具备向其他频段扩展的潜力。

从更广泛的意义来看，EDDM的提出为未来太赫兹技术的发展提供了新的思路。随着太赫兹通信和传感技术的不断进步，对高效、灵活的超表面设计方法的需求也在不断增加。EDDM通过结合人工智能与电磁理论，为这一需求提供了一个切实可行的解决方案。这种方法不仅能够加速太赫兹功能设备的开发，还能够推动超表面技术在更多领域的应用。

在EDDM的实现过程中，还需要考虑一些实际因素，例如材料的选择、结构的可制造性以及电磁性能的验证等。本文所提出的超表面结构由两层金属和一层聚酰亚胺支撑层组成，其中金属层采用金（Au）材料，具有较高的导电性，能够有效实现电磁波的调控。聚酰亚胺作为支撑层，其相对介电常数和损耗分别为3.5和0.0027，这些参数的选择对于超表面的性能表现具有重要影响。此外，金属图案的形状和排列方式也对电磁响应的调控起到了关键作用，通过合理的结构设计，能够实现对电磁波的高效控制。

在实验验证方面，本文通过构建基于S参数的适应度函数，实现了对不同应用场景下超表面结构的优化。S参数作为衡量电磁性能的重要指标，能够准确反映超表面在不同频率下的反射和透射特性。通过将这些参数转化为适应度函数，EDDM能够在优化过程中精确评估结构的性能，并据此调整设计参数。这种方法不仅提高了设计的准确性，还增强了设计过程的可重复性和可预测性。

总的来说，EDDM作为一种高效的按需设计方法，为太赫兹超表面的设计提供了新的思路和技术手段。通过结合遗传算法和人工神经网络，EDDM能够在数据有限的条件下，实现对复杂电磁功能的快速优化。这种方法不仅能够显著降低计算资源的消耗，还能够提升设计的灵活性和适应性，从而推动太赫兹技术在更多领域的应用。未来，随着人工智能技术的不断发展，EDDM有望成为超表面设计领域的重要工具，为实现更高效、更灵活的电磁功能设备提供强有力的支持。