由人工智能技术赋能的超表面全息成像综述

《Optics and Lasers in Engineering》：Review for metasurface holographic imaging enabled by artificial intelligence technology

　　

本综述提出了一种功能驱动的人工智能辅助超表面全息框架，将目标光学功能、物理实现、正向建模、逆设计、全器件建模和系统级重建相互连接。文中考察了正向代理建模和逆设计方面的最新进展，区分了确定性方法与生成式多解方法，包括串联网络、变分自编码器、生成对抗网络、归一化流、扩散模型以及物理驱动的生成框架。我们进一步讨论了系统级协同设计以及效率、信息容量、串扰、响应速度、制造容差、计算成本和实验复杂度之间的工程折衷。

**引言**

全息成像能够实现三维光学场信息的记录与重建，在三维显示、信息加密、生物医学成像和光信息存储等领域具有重要应用[[1], [2], [3], [4], [5], [6], [7], [8]]。传统全息术一般通过物波与参考波的干涉来记录光场信息，并通过衍射重建波前[9]，从而恢复物体的振幅、相位和空间深度信息[10,11]。随着计算技术和数字检测技术的进步，计算机生成全息和数字全息逐步将全息图的生成、记录和重建从传统光学记录介质扩展到数值和电子平台[[12], [13], [14]]。然而，在面向动态显示和高信息容量的全息系统中，空间光调制器的有限像素尺寸和采样带宽，以及零级光和共轭像伪像，仍然制约着视场、空间带宽积和重建质量的进一步提升[[15], [16], [17], [18]]。因此，在增加光场控制自由度和全息系统信息容量的同时缩小系统体积，已成为新型全息器件发展的重要目标[[19], [20], [21], [22]]。

超表面为应对这些挑战提供了一种替代的物理平台[[23], [24], [25]]。超表面由亚波长人工结构组成，能够在光学薄型平面架构内调控入射电磁场的振幅、相位、偏振和频率响应，实现光束偏转、聚焦、光学涡旋生成和全息成像等多种波前调控功能[26]。与传统体光学和衍射光学元件相比，超表面具有厚度小、集成密度高和设计灵活性强的优势[25,[27], [28], [29], [30]]。与此同时，其制造技术、材料平台和光电调制机制也在持续进步[31,32]。这些进展已将超表面全息从静态单功能波前重建拓展至不同光谱范围内的多通道、多功能全息成像[33,34]，并实现了电可调、多自由度复用、可重构和大面积非周期结构的应用[[35], [36], [37], [38], [39], [40]]。因此，超表面的意义不仅在于用平面器件取代传统全息元件[41]。更重要的是，它在亚波长结构设计与全息光场编码之间建立了直接联系，使材料、超原子、空间排列和多个光学自由度成为全息系统不可或缺的设计变量[[42], [43], [44], [45]]。

从历史发展来看，当代超表面全息并非源自单一技术路线，而是传统全息、数字与计算机生成全息、亚波长波前调控和计算设计的逐步融合。Gabor提出的波前重建概念为现代全息奠定了理论基础[1,2]，随后Leith和Upatnieks的研究推进了波前重建技术[3,4]，Denisyuk的相关工作则进一步丰富了早期全息记录和重建方案。随着电子检测和数值计算的发展，数字全息和计算机生成全息逐步建立了涵盖数字记录、数值传播和计算全息图生成的技术路线[[12], [13], [14], [15], [16], [17], [18]]。与此同时，超表面波前调控技术的发展使得全息功能能够被编码到亚波长结构阵列中，并进一步扩展至多维信息复用、动态可重构和复杂系统集成[26,[31], [32], [33], [34], [35], [36], [37], [38], [39], [40]]。近年来，数据驱动和基于人工智能的方法开始对全息图生成、超表面结构设计和硬件-算法协同优化做出贡献[[46], [47], [48], [49], [50], [51], [52], [53], [54], [55]]。图1总结了这些发展路径中具有代表性的理论和实验里程碑。

随着超表面全息从静态单通道操作演进至多波长、多偏振、多角度、多模式及动态可重构功能，相应的设计任务已从相对局部的相位匹配问题转变为高维、多约束、多目标的优化问题[[35], [36], [37]]。对于实用器件而言，设计变量不仅包括单个单元的几何尺寸和材料参数，还涉及整个孔径面上大量非周期单元的空间排列。随着器件面积和设计自由度的增加，传统的参数扫描、遗传算法、拓扑优化和伴随优化通常需要反复调用电磁求解器，导致计算和内存成本急剧上升[[37], [38], [39]]。动态和可重构全息还需要同时考虑器件状态、调制机制、通道间串扰以及相关的性能折衷[35,36,40]。此外，从周期单元模型获得的局部响应并不总能完全代表实际非周期全息阵列的响应。相邻单元之间的耦合、材料非理想性以及制造误差都可能进一步导致设计响应与实际器件性能之间的偏差。因此，复杂超表面全息系统的设计已超越寻找产生指定相位响应的单元几何形状，涉及结构参数、光场传播和最终成像性能之间的多层次关系[72]。

人工智能（AI）的发展为应对此类复杂映射和重复求解的设计问题提供了额外的计算工具[[46], [47], [48], [49], [50], [51]]。本综述将人工智能作为整体方法论背景，重点关注与超表面全息设计密切相关的技术方法，包括深度神经网络、生成模型、物理信息学习和可微优化。文中详细考察了它们在结构到响应的正向建模、从目标响应到结构参数的逆映射以及系统级全息优化中的作用[[52], [53], [54], [55]]。需要强调的是，人工智能并非传统电磁建模或数值优化的万能替代方案。其实际价值取决于设计空间的维度、是否需要反复评估、数据获取成本以及任务是否涉及非唯一逆问题或跨不同器件和系统级别的联合优化。人工智能、机器学习和深度学习之间的关系将在第2.4节中进一步阐明，而人工智能方法与传统设计方法在不同任务条件下的相对适用性将在第4.1节中讨论。

总之，超表面全息已不再仅仅是波前编码问题，它已逐步发展为一个涉及目标全息功能、光场表示、超表面物理实现、结构设计、全器件传播和最终图像评估的多层次设计问题。现有研究和综述已从超表面全息、逆光子学设计、人工智能辅助结构设计、计算机生成全息和计算成像等不同角度分别探讨了该链条中的不同环节。然而，这些研究方向在主要研究对象和组织框架上存在差异。因此，在讨论具体物理机制和人工智能方法之前，有必要明确本综述相对于现有文献的范围，并建立一个从目标全息功能出发、连接目标光场、物理实现、正向建模、逆设计、全器件建模和系统级重建的统一分析框架。该框架将在以下小节中通过与现有综述的系统比较以及与图2相关的讨论进一步展开。

随着超表面全息、逆光子学和人工智能辅助光学设计的快速发展，近年来出现了大量与本工作范围密切相关的综述和展望文章。然而，这些研究并不关注相同的物理对象或设计层级，而是代表了几条具有不同侧重点的交叉研究方向。大致而言，现有文献可归为四类。第一类以超表面全息本身为核心，侧重于波前调控机制、多自由度信息复用和动态可重构功能。第二类从逆光子学或人工智能辅助超表面设计的角度切入，聚焦于结构-响应关系、优化策略、向更大器件的扩展以及工程实现。第三类主要关注基于深度学习的计算全息，包括全息图生成、光学传播和图像重建。第四类从光学编码前端与数字重建后端协同设计的角度考察基于超表面的计算成像。这些研究方向共同推动了超表面、计算光学和人工智能之间日益增长的融合，尽管它们在物理目标、设计变量和最终性能指标上仍存在显著差异。

在超表面全息领域，先前的综述已建立了相对完整的框架，涵盖了其基础物理和功能能力。Huang等人综述了超表面分类和全息设计方法，系统讨论了相位、振幅和复振幅全息，以及基于波长、偏振、空间位置和非线性光学过程的信息复用机制，并讨论了可切换超表面全息[73]。Jiang等人进一步将全息原理、计算机生成全息算法和超表面波前调控联系起来，系统阐述了波长和偏振复用、复振幅调制、非线性全息和动态超表面全息[74]。随着该领域从单功能全息向多通道和可重构操作扩展，Zou等人聚焦于基于轨道角动量、波长、入射角和偏振的复用以及可重构超表面全息，并讨论了机器学习辅助动态全息的方法[36]。Shi等人随后综述了从紫外到太赫兹范围的静态、动态、彩色和全空间超表面全息显示，并在特定案例中讨论了深度学习和联合优化方法[33]。总体而言，这些综述表明超表面全息在物理调制、多自由度复用和多动态功能方面已形成相对成熟的知識体系。然而，其组织逻辑主要围绕全息功能及相应的物理实现机制，而非将基于人工智能的结构设计作为贯穿整个全息器件设计过程的统一线索。

相比之下，关于逆光子学和人工智能辅助超表面设计的综述主要关注如何识别产生所需电磁响应的物理结构。Molesky等人建立了纳米光子学中逆设计的通用框架，系统讨论了优化方法、器件性能和制造考量；值得注意的是，计算机生成全息被明确排除在该综述的主要范围之内[75]。Li等人随后将逆设计更具体地聚焦于超表面，比较了拓扑优化、演化优化和机器学习方法，并将讨论扩展至大面积非周期器件以及光子硬件与图像处理算法的端到端协同设计[76]。Ji等人考察了机器学习、物理信息神经网络和拓扑优化，并特别指出了由于相邻单元耦合而导致周期单元设计与实际非周期阵列之间存在的偏差[48]。

最近，该研究方向已明确从孤立单元的优化推进至全器件和系统级设计。Ueno等人将人工智能在光学超表面中的角色分为面向制造的设计、超越传统局部相位近似的途径以及基于AI的计算后端，并系统讨论了单元间耦合和制造容差[51]。Zeng和Jin按照从单元优化到全超表面设计再到系统级集成的发展路径组织AI赋能的超表面研究，在统一的发展框架中纳入了代理建模、逆设计、单元间耦合、动态控制、制造鲁棒性和端到端优化[55]。Zeng等人进一步提出了分层设计范式，将成像性能映射到电磁响应，再映射到超表面结构，将人工智能与计算重建、全器件建模和制造约束联系起来[77]。Ma等人及Kang等人的较新综述将该范围扩展至AI辅助全息超表面设计、多维全息、全器件建模和端到端系统优化[78,79]。例如，Ma等人讨论了直接连接超表面结构参数与最终重建图像的端到端多维全息设计，而Kang等人则将元光子学硬件、物理传播、计算后端和实际系统约束纳入可微端到端框架。这些进展表明全器件建模、制造约束和端到端优化已成为AI辅助元光子学的重要课题。相应地，本综述并不将这些方向本身作为独立创新来呈现，而是聚焦于它们如何在超表面全息成像的功能链中被组织和相互关联。

一个相对独立的研究方向源自基于深度学习的计算全息。

Shimobaba等人系统综述了深度学习在计算机生成全息术、全息显示和数字全息术中的应用，特别关注计算复杂度、重建质量、数据需求以及深度学习与基于物理的计算之间的关系[80]。Yu等人进一步将基于深度学习的计算机生成全息术划分为三大范式——数据驱动、物理驱动和联合优化方法——并将金属透镜、偏振复用超表面全息术和超表面波导作为联合优化方案中的代表性硬件平台纳入讨论[81]。与此同时，Hu等人从计算成像的角度考察了基于超表面的成像系统，并将其分类为常规光学设计、在成像或后处理过程中独立引入计算的方法以及涉及光学前端和数字后端联合优化的端到端架构[52]。这些综述为理解人工智能在全息计算和硬件-算法协同设计中的作用提供了大量见解。然而，它们的主要设计对象是数字全息图、计算重建任务或广义的超表面成像系统，而非从亚波长物理调制到最终全息图像形成的超表面全息成像连续过程。为更清晰地阐明这些研究方向之间的关系，表1从五个维度对代表性综述和展望文章进行了比较：超表面全息术的物理特性与功能；人工智能与逆向超表面设计；AI辅助全息图生成与重建；全器件和端到端系统优化；以及制备、实验和工程约束。该比较表明，现有文献中并不存在一个完全未被探索的技术方向。相反，超表面全息术的物理调制与多自由度功能、AI辅助结构设计、基于深度学习的全息计算以及硬件-算法协同优化均已得到相当深入的研究。一些近期综述已在同一讨论中涵盖了多维超表面全息术、全器件建模和工程约束。因此，本综述的贡献并不在于引入额外的人工智能算法类别，也不将单元胞设计到系统级优化的扩展视为本文独有的贡献。其目标是根据超表面全息成像的功能需求重新组织这些研究层次之间的关系。基于上述比较，本综述以超表面全息术的最终光场分布和成像功能作为共同设计目标。与以往主要按器件类型、算法类别或应用进行组织的综述不同，本综述重点关注功能需求如何逐步转化为物理调制、结构参数以及最终图像级性能。从超表面物理的角度，我们系统地考察了相位、振幅、复振幅和非线性调制；基于波长、偏振、入射角、轨道角动量、空间通道和传播方向的多自由度复用；以及通过电、光、热、磁和机械调制实现的动态可重构全息术。从人工智能辅助设计的角度，我们将结构-响应正向性能预测、确定性和生成式逆向设计、元件间耦合与全器件建模、以及全息图生成、光传播和图像重建联系起来。因此，人工智能不被视为脱离超表面物理的优化工具，而是在设计过程的不同层次上进行分析，涵盖目标功能、结构实现和最终全息图像评估。这种组织方式也与综述的范围一致，涵盖多个光谱区域的超表面全息术、静态和动态功能、正向性能预测、逆向结构设计和端到端全息优化。基于这一定位，图2展示了本综述中采用的统一功能驱动设计框架。该框架从目标全息功能和系统级性能需求出发，识别所需的光场以及相关物理自由度（如相位、振幅、偏振、频率和空间模式）。这些需求随后映射到超表面材料、超原子几何结构和空间排列上，同时电磁正向模型建立物理结构与光学响应之间的关系。在逆向设计中，可根据设计问题的维度、非唯一性和计算成本选择常规优化、数据驱动神经网络、生成模型或物理约束方法，而无需预设人工智能天然优于常规优化。随着建模尺度从周期性单元胞扩展到非周期性全息阵列，还须考虑相邻元件间的耦合、长程相互作用和全器件传播效应。最终重建的光场由器件结构、波前调制和自由空间传播共同决定，系统随后根据衍射效率、串扰、信息容量、重建质量、制备可行性和实验可实现性进行评估。对于可重构和多通道全息术，相同的设计链还需额外考虑动态材料响应、多目标约束以及不同信息通道之间的性能权衡。因此，图2不应被简单地理解为人工智能算法的分类法，而是作为本综述连接功能需求、光场表征、超表面物理、人工智能辅助设计、全器件建模和全息图像形成的统一概念框架。注：●表示系统覆盖，表明相应主题构成本综述的重要组成部分或组织主题；°表示部分覆盖，表明该主题通过专门讨论或代表性案例加以探讨，但不构成主要组织主题；—表示非主要焦点，表明该主题仅被简要提及或未进行系统讨论。该分类是通过对各论文摘要、章节结构、正文讨论和代表性案例的综合评估确定的。它仅用于比较所综述文献的范围和组织重点，不对其科学质量做出评价。五个比较维度包括超表面全息术的物理与多自由度功能；AI基础的结构-响应建模与逆向设计；AI辅助全息图生成与重建；全器件建模与端到端优化；以及制备、实验和工程约束。"本综述"表示五个维度均在本综述范围内得到明确覆盖。节选片段 基本原理：超表面全息设计始于将期望的成像或信息处理功能转化为可计算的靶标光场，随后确定实现该光场所需的传播物理、材料响应和结构自由度。在讨论具体的超表面全息实现之前，有必要建立工作光谱区域与全息衍射之间的基本联系 超表面全息术：在目标光场及其传播特性确定之后，超表面全息设计的下一步是将所需场分布转化为可由亚波长结构物理实现的局部电磁响应。不同的光场调制机制决定了器件可以独立控制的物理量，并直接影响衍射效率、重建质量和结构 由深度学习赋能的超表面全息术：上述静态调制、多自由度复用和动态可重构方案分别从光场调制自由度、信息通道扩展和外部可调机制的角度，为实现目标光学功能奠定了物理基础。随着超表面全息术从单功能波前控制向宽带、多通道、多状态和大面积非周期性器件发展， 结论：超表面将亚波长结构控制与全息光场编码相结合，为全息系统的微型化、集成化和多功能化提供了重要平台。以超表面全息成像为中心功能目标，本综述系统考察了不同工作光谱区域相关的物理约束、静态光场调制机制、多自由度复用以及 未来展望：基于上述发展，AI辅助超表面全息术仍面临若干具有明确技术目标的开放问题。首先是跨平台基础模型的开发。现有大多数神经网络是针对特定材料平台、结构参数范围、工作光谱区域和仿真条件训练的。当材料体系、波长、器件尺度或制备平台发生变化时，需要新的数据集和模型 利益冲突：作者声明不存在利益冲突。 资助：作者感谢浙江省自然科学基金（LZ26F050005，LQN25F050003）；国家重点研发计划（2025ZD0619002，2024YFB3310800）；浙江省重点研发计划项目（2025C01039，2024C01108）；宁波市重大项目（2024Z114）的支持。 CRediT作者贡献声明：Lv Dehao：撰写—初稿。Gu Manna：撰写—初稿。Yang Yunyun：撰写—初稿。Zhou Peilei：撰写—初稿。Xiao Ying：撰写—审阅与编辑。Tian Ying：撰写—审阅与编辑。Jing Xufeng：撰写—审阅与编辑。竞争利益声明：作者声明不存在已知的竞争经济利益或个人关系，这些利益或关系可能影响本文所报告的工作。Lv Dehao | Gu Manna | Yang Yunyun | Zhou Peilei | Xiao Ying | Tian Ying | Jing Xufeng