AI与超构光子学的融合进展

人工智能（AI）与超构光子学的结合正在开创一种全新的光物质相互作用调控模式。AI在多维数据中学习复杂关系并提供超高速推理的能力，与超构光子学构建独特光学特性的能力相结合，正引领计算设计、实时控制和全自动光学系统的新时代。

据麦姆斯咨询报道，近日，高丽大学、洛桑联邦理工学院、浙江大学等机构的研究人员在Opto-Electronic Advances期刊上发表了题为“AI-assisted metaphotonics”的综述论文，概述了当前最先进的AI驱动超构光子系统设计方法，重点关注现实问题解决方案，包括加速超构光子仿真与逆向设计、光学数据表征及全集成端到端AI辅助超构光子系统开发。最后，展望了这一快速发展的交叉领域未来研究方向和新兴机遇。

随着超构材料与超构表面研究从基础科学迈向下一代技术，“超构光子学”逐渐成为独立学科。纳米光子学描述纳米尺度下的光–物质相互作用；而超构材料与超构表面则指具有人工设计光学特性的三维结构和二维平面结构。超构光子学涵盖利用这些亚波长结构调控光以构建先进系统的广泛领域。在此背景下，AI迅速成为应对该领域多种挑战的重要工具，从超构原子与超构表面设计到光学输出分析等多个环节（见图1）。

图1 AI辅助的超构光子系统示意图

用于超构表面设计与优化的AI

超构表面设计依赖于电磁响应计算，以实现对光学特性的精确控制。传统方法如时域有限差分法、有限元法和严格耦合波分析等，通过数值或半解析方式求解麦克斯韦方程，获得高精度结果。对于简单结构的超构原子，这类仿真在计算上是可行的；但随着结构复杂度增加，计算时间显著增长。对精细结构特征的解析需要更高分辨率的时空离散，带来巨大计算成本，限制大规模仿真的可行性。

为克服上述局限，基于AI的替代模型已成为强有力工具，直接建立超构表面几何结构与电磁响应之间的映射关系（见图2a）。在保持与传统全场方法相当精度的同时，其预测速度可提升数个数量级。

图2 AI替代模型进行纳米光子仿真

总体而言，近期研究围绕AI驱动替代模型的四个核心挑战展开：（1）基于网格的替代模型加速电磁响应预测；（2）神经算子在不同网格分辨率下保持预测精度；（3）基于图的模型准确表征复杂几何结构；（4）高数据效率的学习策略降低对大规模训练数据的依赖。这些进展推动最新替代模型为逆向设计提供坚实基础，使设计满足精确性能指标的超构表面结构成为可能。

逆向设计利用计算框架确定超构原子或超构表面的结构参数，实现预设光学目标。早期方法采用深度神经网络，将目标光学响应直接映射到设计参数（见图3a）。然而，这类映射本质上是“一对多”，导致训练不稳定甚至难以收敛。为缓解此问题，引入串联架构，将逆向设计网络与预训练前向替代模型耦合。通过最小化预测与目标光学响应之间的重构误差，该框架稳定训练过程，并提升预测准确性。

图3 AI驱动的超构光子逆向设计

逆向设计方法已从确定性深度网络映射演进到基于替代模型的优化、生成对抗网络、扩散模型、混合框架及物理信息神经网络。未来发展方向包括引入主动学习提升替代模型精度，以及采用更先进的生成模型灵活探索设计空间。

尽管AI驱动的超构表面设计取得显著进展，实际实现仍受制造工艺限制。将制造约束融入设计阶段，减少无效迭代，提高实验成功率。近期研究提出多种有效策略，如Ueno等人将快速生成模型与替代模型结合，引入最小尺寸和间隙约束，构建考虑制造约束的超构原子库，筛选满足制造公差的设计，实现快速系统级综合（见图3c）。

用于表征和分析超构表面光学输出的AI

超构表面能自由调控光的多维属性，生成光学数据及捕捉光–物质相互作用的图像。传统基于物理或经验的方法难以全面表征非线性、噪声及多维特征。AI，尤其是深度学习，为此提供有力替代方案，揭示传统方法无法解析的潜在模式和相关性。深度神经网络在挖掘输入与输出数据之间微妙关系方面表现出强大能力，成为探索光学数据隐藏规律的有效工具，实现基于超构表面系统的先进AI驱动测量与传感。

AI模型越来越多地被引入数据驱动的光谱分析中，学习光谱数据中的非线性模式、多变量相关性及高维表示，提供物理见解，并有助于分析复杂光学响应。

光谱特征对外部环境变化或材料组成高度敏感，已被广泛应用于生物传感、气体检测及化学分类（见图4a）。

图4 AI辅助的光谱数据分析

传统高光谱成像系统通常依赖体积庞大的光学组件及多次采集过程，导致系统复杂且笨重。为克服这些局限，近年来的研究开始探索将紧凑、轻量化的超构表面与AI驱动的快速数据处理相结合的方案。Lin等人开发了一种基于单个多波长超构表面芯片的超紧凑快照式高光谱成像系统，一次采集中获取4波段多光谱图像，并利用深度学习重建出18波段的高光谱数据立方（见图4c）。

基于超构表面的成像系统在微型化、集成化及多功能性方面具有额外优势。其中，超构透镜为构建基于超构光子学的成像系统提供了一种直接途径。这些特性使其在下一代紧凑型与可穿戴光学设备中具有重要吸引力。然而，超构透镜易受像差影响，在图像清晰度、对比度和信噪比方面存在限制，制约了实际应用中的分辨率、视场角及整体成像保真度。为应对这些挑战，近期研究集中于将基于AI的图像增强与复原技术应用于超构表面成像系统。此外，AI还被用于从简单的二维数据中提取额外的维度信息，例如深度和相位信息（见图5a）。

图5 AI增强的超构光子成像

除了校正色差之外，诸如视场受限和全彩图像重建等问题，也已通过AI增强的超构透镜系统得到解决。这些方法旨在通过扩展空间信息并校正各颜色通道之间的光谱不一致性，提升视觉保真度。Liu等人将超大视场的超构表面相机与基于Transformer的神经网络结合，实现了视场超过100°的全彩成像，同时有效校正了色差和畸变。该网络先基于模拟的点扩散函数进行预训练，再通过真实测量数据微调，在中心区域和边缘区域分别实现了13.5倍和2.7倍的对比度提升（见图5c）。

AI驱动的端到端超构表面系统

尽管AI已分别应用于超构光子学研究中的逆向设计及基于超构表面系统的光学输出表征，但理想设计与实际制备器件之间往往存在脱节。相比之下，通过在设计与表征之间构建可微分流程，可以实现端到端系统，从而在优化过程中同时考虑制造约束与完整物理系统。

通过从超构原子与超构表面的逆向设计转向基于完全可微分流程的系统级端到端优化，AI在超构光子系统中的应用正在形成新的范式。这种方法构建了一个多变量优化目标，将超构表面逆向设计与实际应用统一起来（见图6a）。不同于传统方法中针对特定相位分布设计超构原子，端到端优化能够同时考虑可实现的相位分布、自由空间传播过程及传感器响应。这种一体化设计推动了基于超构光子学的先进成像系统发展，包括全息成像、超分辨成像及三维成像，并促使超构表面设计从单纯追求物理响应最大化，转向以具体任务为导向的优化。

图6 AI驱动的端到端优化

通过这种基于AI的端到端优化，研究人员能够从根本上减小像差，并在大视场条件下成功生成高质量的全彩图像，显著提升超构透镜的性能（图6b）。

无源超构表面已证明其在亚波长尺度调控光的能力。然而，要充分释放具备自主功能的超构表面的潜力，其光学特性必须在制造完成后仍可调控。结合AI的引入，这类系统将实时感知、自适应控制、智能决策及闭环反馈集成为统一框架，从而在动态环境中实现无需人为干预的自优化（见图7a）。

图7 AI驱动的自主超构光子系统

AI与可重构超构表面的融合为无线通信和雷达感知带来了变革性机遇。Fan等人展示了一种由AI驱动的自调节可重构超构表面系统，能够自主管理无线信道。这类系统在电磁互联的智慧城市中具有潜在颠覆性应用（见图7b）。此外，智能超构表面在雷达与波束成形等应用中也得到了广泛研究，在这些场景中，对电磁波进行实时调控至关重要。

此外，受大语言模型启发，研究人员提出了“超构材料智能体”的概念。所谓光学智能体，是一种将数字光学技术与AI融合的系统，能够感知环境并自主调控光学系统。在复杂多变的环境中，这类系统有望实现超越传统光学的性能。该智能体可以接收多种输入作为环境信息，并进行长期规划，通过与机器人和人类的交互来实现既定目标（见图7c）。借助自然语言推理能力及多专家智能体协同，这类全自动系统展示了AI驱动超构表面平台的巨大潜力。

结论

本综述重点阐述了AI在超构光子学领域的关键进展及其影响，涵盖了从基于数据驱动的仿真到能够实时感知并自适应环境的全自动系统。AI有望在设计与制造过程的优化与控制中发挥主导作用，推动现实难题的解决。在系统层面，将AI用于分析和理解超构表面与光的相互作用，为下一代传感与成像应用开辟新可能性，同时也有望降低对高水平专业人员进行复杂测量的依赖。这一点已在近期的端到端优化系统及自主超构表面中体现，均由AI进行调控。

展望未来，可解释人工智能有望在纳米尺度揭示新的物理机制，大语言模型可用于构建交互式设计系统，片上光子学则为光学与量子计算提供关键支撑。在这些发展趋势下，AI增强的超构表面研究正成为连接两大前沿技术的重要交汇点，为基础研究与工程技术发展提供强有力的助力。

论文信息：

DOI: 10.29026/oea.2026.250263