深度学习逆向设计相变可重构太赫兹超器件用于多维安全通信

《Advanced Materials》：Deep Learning Inverse Design of Phase-Change Reconfigurable Terahertz Metadevices for Multidimensional Secure Communication

　　

下一代6G网络中数据交换和网络威胁的指数级增长要求通信系统在物理层具有固有安全性。太赫兹（THz）波结合了巨大带宽与强方向性，为大容量和隐蔽数据传输提供了肥沃的平台。在此，研究人员介绍了一种深度学习逆向设计框架，该框架能够创建动态可重构的太赫兹超器件，实现自适应多维加密。通过使用经过训练的残差神经网络，直接将目标电磁响应映射到连续材料相变过程中的器件几何结构，研究人员的方法消除了传统迭代设计瓶颈，并实现了快速、高精度生成多功能超构架构。所得到的器件在对Ge₂Sb₂Te₅（GST）的偏振、深度和相变进行复用控制方面表现出色，实现了具有最小串扰和接近衍射极限保真度的八通道加密全息。此外，研究人员实现了一种可重构衍射太赫兹神经超器件，该器件在双密钥安全协议下执行通用逻辑操作，需要物理硬件和数字密钥序列才能准确解密。这种智能设计自动化与物理层加密的结合为安全、大容量和自适应的太赫兹通信建立了新范式，为6G及更高版本中动态可重构无线架构铺平了道路。

随着6G通信时代数据流量激增与网络攻击手段不断升级，现有物理层安全方案面临功能静态、维度单一的瓶颈。太赫兹（THz）波兼具超大带宽与强方向性，为高容量隐蔽通信提供理想载体，但传统太赫兹超器件受限于固定功能，无法动态响应威胁或支持实时密钥轮换，且依赖单一物理参数的加密方案易被暴力破解。为突破这一困境，研究人员提出一种基于深度学习逆向设计（Inverse Design）的可重构太赫兹超器件框架，旨在实现自适应、多维度的物理层加密，以满足下一代无线通信对安全性与灵活性的需求。

研究人员开展的研究核心在于将数据驱动的逆向设计算法与相变材料（Phase-Change Material, PCM）GST（Ge₂Sb₂Te₅）的非易失性可重构特性深度融合。主要关键技术的核心包括：①构建基于深度残差网络（ResNet）的前向预测网络（Forward Prediction Network, FPN），直接建立超原子几何参数与0.2–1.2 THz频段电磁响应（振幅、相位）的映射关系，并通过七种对称变换增强数据集；②基于梯度下降的端到端逆向设计框架，将多通道目标（偏振、重构距离、GST相态、频率）的强度偏差定义为损失函数，利用Wirtinger导数实现可微传播，自动优化几何布局；③集成GST薄膜的硅柱阵列超表面制备（包含深硅刻蚀与磁控溅射工艺），并采用光纤式近场扫描太赫兹显微镜进行实验表征。所有器件基于统一的70×70元原子阵列（总面积14 mm×14 mm），GST厚度200 nm，硅柱高度200 μm。

**2.1 前向预测网络（FPN）**
为了绕开传统设计中对高维元原子库的穷举搜索，研究人员训练了一个残差神经网络，以学习超原子几何参数（如柱长、柱宽）与复数透射谱之间的映射。利用随机参数采样结合电磁仿真（CST Microwave Studio）生成初始数据集，并经对称变换扩充至训练/验证/测试集（18:1:1）。测试结果表明，FPN对非晶态GST集成元原子的预测均方误差（MSE）低至1.923×10^?4，95.2%的预测误差低于6.3×10^?4，且与仿真谱高度吻合，验证了其在高维耦合问题中的鲁棒泛化能力，使设计周期从小时级缩短至毫秒级。

**2.2 逆向设计框架**
研究将物理设计问题重构为数学优化：固定GST相态、偏振、重构距离与目标图像，以元原子几何参数为变量，最小化各复用通道重构强度与目标强度的累计偏差。算法流程包含：将随机初始布局输入FPN获取电场调制分布，应用角谱法传播至目标平面计算重构场，基于损失函数的梯度通过反向传播逐次更新几何参数。其中类别参数（元分子类型、GST集成状态）经由Softmax分类后，对非相关几何参数置零以消除噪声，越限参数则重采样保证可制造性。该闭环实现了端到端设计，仅需修改目标性能（如全息图案或复用通道数）即可快速生成优化布局。

**2.3 实验验证**
研究人员制作了可同时复用GST相态（非晶/晶态）、正交偏振（x/ y偏振）和双重构距离（6 mm/12 mm）的八通道动态加密全息超器件。实验结果表明，在非晶态下x偏振光在6 mm处重构实心心形、12 mm处重构WiFi符号，y偏振光则分别产生“人形”与“加号”图像；切换至晶态后，相应通道图案变为空心心形、弱信号WiFi、圆形和“减号”。相关系数矩阵显示，对角项（目标信号保真度）在仿真中均高于0.95，实验中稳健保持在0.93以上；非对角项（通道间串扰）仿真平均值低于0.4，实验多数低于0.35，验证了高保真度与低串扰。研究进一步阐述了基于密钥序列的多维加密/解密方案：每个密钥包含相态、偏振和图像平面位置三个元素，共12种组合，通过延长序列长度n可指数级降低非目标成员获取正确信息的概率。
此外，研究人员设计并验证了基于双层可重构GST超表面的太赫兹衍射神经网络（Diffractive Neural Network），通过控制两个隐藏层GST的晶态/非晶态切换，在0.9 THz实现了AND、OR、XOR和XNOR四种基本布尔逻辑运算。输出平面目标区域能量集中效率超过69.5%，非目标区域串扰抑制比优于8.3 dB。基于此逻辑平台，研究人员演示了双密钥安全通信：Alice和Bob持有不同的逻辑运算状态与检测区域组合，对相同输入信号解码出截然不同的二进制字符串，从而完成加密通信。该架构全光处理速度达皮秒量级，而硬件重配置（GST相变）在纳秒级完成，满足6G对实时性与安全性的要求。

**总结讨论**
研究提出了一种结合深度学习逆向设计与GST相变可重构硬件的新范式，通过算法与硬件的深度融合，实现了对太赫兹电磁响应前所未有的动态控制。实验验证表明，该框架在加密全息与可重构逻辑操作中均展现出亚毫米精度、高模态纯度与稳定切换性能，且设计成本大幅降低。结论部分原文翻译如下：总之，研究人员引入了一种深度学习驱动的逆向设计框架，用于动态可重构太赫兹超器件，为可重构光子学提供了新范式。通过建立目标功能与几何参数之间的端到端映射，该方法克服了传统设计方法的局限性，实现了太赫兹应用中的高效多维复用。实验验证展示了动态可重构超表面具有增强的功能多样性，彰显了其在安全通信、动态全息和可重构逻辑领域的潜力。对比研究证实了优越的性能指标和大幅降低的设计成本。这项工作在深度学习、计算物理学和可重构超器件工程交叉领域建立了新范式，实现了对电磁响应前所未有的控制。该框架始终达到亚毫米精度、高模态纯度和稳定切换，优于现有方法。该方法的本质在于将数据驱动的逆向设计算法与刺激响应型相变硬件平台进行深度闭环集成。通过将这种深度学习驱动的自适应性嵌入太赫兹架构，研究人员为安全、灵活、大容量的6G通信开辟了道路。该框架在频率范围内的可扩展性表明其可作为多功能超系统的通用策略，并为软件定义超表面、动态可重构元光学以及量子通信集成等未来方向奠定基础。