AI加速超构光子学迈向新阶段

人工智能（AI）与超构光子学（metaphotonics）的结合，正为光与物质相互作用的调控开辟一种全新思路。AI擅长从多维数据中提取复杂关联并实现高速推断，而超构光子学则能够构造自然界中原本不存在的光学性质，二者协同正在推动计算设计、动态调控和全自动光学系统进入新的发展阶段。

据麦姆斯咨询消息，近期，由高丽大学（Korea University）、洛桑联邦理工学院（EPFL）、浙江大学等单位研究人员组成的团队，在Opto-Electronic Advances期刊发表了题为“AI-assisted metaphotonics”的综述文章。该文系统梳理了当前先进的AI驱动超构光子系统设计路径，重点讨论面向现实应用的解决方案，包括提升超构光子仿真与逆向设计效率、开展光学数据表征，以及构建全集成的端到端AI辅助超构光子系统。文章最后还对这一快速演进的交叉领域未来的研究趋势与潜在机会进行了展望。

随着超构材料（Metamaterials）与超构表面（Metasurfaces）的研究不断从基础探索走向下一代应用技术，“超构光子学”也逐步发展为一门相对独立的学科。纳米光子学通常用于描述纳米尺度上的光—物质作用；超构材料与超构表面则分别对应具有人工设计光学属性的三维体结构和二维平面结构。超构光子学则覆盖了利用这些亚波长人工结构调控光场、构建先进光子系统的更广阔范畴。在这一过程中，AI迅速成为解决该领域多类核心挑战的重要手段，贯穿于超构原子、超构表面的设计以及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

超构表面的设计建立在电磁响应计算基础之上，以实现对光学性质的精准控制。传统方法主要包括时域有限差分法（FDTD）、有限元法（FEM）以及严格耦合波分析（RCWA）等，它们通过数值或半解析方式求解麦克斯韦方程，因而能够得到高精度结果。对于截面结构较为简单的超构原子，这类仿真在计算上尚可接受；但一旦结构复杂度上升，所需计算时间便会大幅增长。为了刻画更精细的结构特征，往往需要更高分辨率的时空离散，从而带来沉重的计算开销，并限制大规模仿真的实施。

为突破这些限制，基于AI的替代模型（surrogate models）已成为一类极具优势的工具，可直接学习超构表面几何参数与电磁响应之间的映射关系（见图2a）。在维持与传统全场计算方法相近精度的同时，其预测速度可提高数个数量级。

图2 AI替代模型进行纳米光子仿真

总体来看，近期研究主要围绕AI驱动替代模型的四项关键问题推进：（1）基于网格的替代模型显著提升了电磁响应预测效率；（2）神经算子（neural operators）无需重新训练，便可在不同网格分辨率下保持预测准确性；（3）基于图的模型能够更精确地表达曲线边界与复杂几何形态；（4）高数据效率的学习策略减少了对海量训练样本的依赖。在这些进展支持下，新一代替代模型为逆向设计奠定了稳固基础，使研究者能够构建满足精确性能要求的超构表面结构。

逆向设计通过计算框架反推出超构原子或超构表面的结构参数，使其达到预设光学目标。早期方法多采用深度神经网络（DNN），将目标光学响应，如相位分布、透射光谱或远场全息图，直接映射为设计参数（见图3a）。然而，这种映射本质上属于“一对多”关系，常常引发训练不稳定，甚至难以收敛。为改善这一问题，研究者提出了串联（tandem）架构，即将逆向设计网络与预训练前向替代模型结合起来。通过最小化预测光学响应与目标响应之间的重构误差，该框架可有效稳定训练过程，并在替代模型训练分布范围内提高预测精度。

图3 AI驱动的超构光子逆向设计

逆向设计技术已从确定性的深度网络映射，逐步发展为基于替代模型的优化、基于生成对抗网络（GAN）的生成方案、扩散模型细化、混合框架，以及结合稳定性、多样性与速度优势的物理信息神经网络（PINN）。未来的重点方向包括通过主动学习持续提升替代模型精度，以及引入更先进的生成模型，以更灵活且高保真地探索“一对多”的设计空间。

虽然AI驱动的超构表面设计已经取得明显进展，但这些方案在实际落地时仍然受制于制造工艺条件。若能在设计阶段直接纳入制造约束，不仅能够减少无效迭代，还可显著提升实验实现成功率。近期已有多项研究提出将制造可行性嵌入设计流程的有效方法。例如，Ueno等人将快速生成模型与替代模型结合，并引入基于实验标定的最小尺寸与间隙约束，建立了一个面向制造约束的超构原子库。借助性能指标筛选器，在保证完整2π相位覆盖的同时，筛选出符合制造容差要求的设计，从而无需进行穷举式全器件仿真，就能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

超构表面能够灵活调控光的多维属性，产生包括反射率、透射率、散射率、吸收光谱等在内的光学数据，并可记录光—物质相互作用形成的二维图像。然而，传统基于物理模型或经验规则的方法，往往难以完整描述已制备超构表面光谱中的非线性、噪声及多维特征。AI，尤其是深度学习，为此提供了强有力的替代路径，能够挖掘传统方法难以解析的潜在模式和关联性。由于深度神经网络在捕捉输入输出数据间细微关系方面表现突出，它们已成为探索光学数据隐藏规律的重要工具，进而支持基于超构表面系统的先进AI测量与传感应用。

越来越多的AI模型被应用到数据驱动的光谱分析中，使其能够学习光谱数据内部的非线性规律、多变量相关关系以及高维表示形式，从而提供物理层面的洞见，并帮助研究者分析那些传统手段难以获得的复杂光学响应。

在光谱数据中观测到的特征，如共振峰漂移以及透射率或反射率强度变化，对外界环境变化或材料成分具有很高敏感性。这些光谱特征已广泛用于多类传感场景，包括生物传感、气体检测和化学分类等（见图4a）。

图4 AI辅助的光谱数据分析

传统高光谱成像（HSI）系统通常依赖体积较大的光学部件，并需要多次采集，导致系统复杂且不易小型化。为解决这些问题，近年来研究开始探索将紧凑轻量的超构表面与AI驱动的快速数据处理相结合。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，该系统可在一次采集过程中获取4波段多光谱图像，并借助深度学习重建出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小型化、集成化和多功能化方面还具备额外优势。其中，超构透镜（Metalens）为构建超构光子学成像系统提供了直接路径。这些特点使其在下一代紧凑型和可穿戴光学设备中，如增强现实（AR）和虚拟现实（VR）设备，展现出较强吸引力。不过，超构透镜本身容易受到像差影响，在图像清晰度、对比度及信噪比方面存在局限，从而限制了实际应用中的分辨率、视场角（FOV）和整体成像保真度。为应对这些难题，近期研究集中将AI图像增强与复原技术用于超构表面成像系统。此外，AI还可用于从简单二维数据中恢复额外维度信息，例如深度与相位信息（见图5a）。

图5 AI增强的超构光子成像

除了色差校正之外，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获得改善。这类方法旨在通过扩展空间信息并修正不同颜色通道之间的光谱不一致性，进一步提升视觉保真度。Liu等人将超大视场超构表面相机与基于Transformer的神经网络结合，实现了超过100°视场的全彩成像，并有效修正了色差与畸变。该网络首先利用模拟点扩散函数（PSF）进行预训练，随后再通过真实测量数据微调，最终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已经分别用于超构光子学中的逆向设计和基于超构表面系统的光学输出表征，但这两类方法在理想设计与实际制备器件之间通常仍存在明显断层。相比之下，如果在设计与表征之间建立可微分流程，就能够实现端到端系统，从而在优化过程中同步考虑制造约束以及完整物理系统。

随着研究从超构原子与超构表面的逆向设计，转向依托完全可微流程的系统级端到端优化，AI在超构光子系统中的应用正形成新的研究范式。该方法构建了一个多变量优化目标，将超构表面逆向设计与具体应用任务，如高分辨成像、深度感知或偏振重建，统一到同一框架中（见图6a）。类似流程在传统光学中早已有所应用，如今正逐渐被引入超构光子系统。不同于传统方法只针对特定相位分布设计超构原子，而这种方式往往会因材料和制造的物理限制出现偏差，端到端优化能够同时纳入可实现的相位分布、自由空间传播过程以及传感器响应。这样的整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、超分辨成像和三维成像，并促使超构表面设计从单纯追求物理响应最大化，转向以具体任务为核心的优化目标，如精度、感知质量和实际部署能力。

图6 AI驱动的端到端优化

借助这种AI驱动的端到端优化，研究人员能够从根本上降低像差，并在大视场条件下生成高质量全彩图像，进而显著提升超构透镜性能（图6b）。

无源超构表面已经证明其具备在亚波长尺度调控光场的能力。然而，若要真正释放具备自主功能的超构表面潜力，其光学性质必须在制造完成后依然能够调节。随着AI的引入，这类系统可将实时感知、自适应控制、智能决策与闭环反馈整合为统一框架，从而在动态环境下实现无需人工干预的自优化（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结合，为无线通信和雷达感知带来了变革性机会。Fan等人展示了一种受稳态调节机制启发的超构表面，其中，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价值（见图7b）。此外，智能超构表面在雷达和波束成形等应用方向也已得到广泛关注，因为这些场景对电磁波实时调控的需求尤为关键。

同时，受大语言模型（LLM）中推理模型启发，研究人员还提出了“超构材料智能体”的概念。所谓光学智能体，是将数字光学技术与AI融合形成的系统，能够感知环境并自主调节光学系统。在复杂且不断变化的环境中，这类系统有望实现超越传统光学的性能表现。该智能体可接收语音、图像、文本等多种输入作为环境信息，并开展长期规划，通过与机器人及人类交互完成既定目标（见图7c）。依托自然语言推理能力以及多专家智能体协同，这类全自动系统展现出AI驱动超构表面平台的巨大潜力。

结论

本综述重点总结了AI在超构光子学中的关键进展及其影响，覆盖从数据驱动仿真，到能够实时感知并适应环境的全自动系统。AI有望在设计与制造过程的优化和控制中发挥主导作用，从而推动现实问题的有效解决。在系统层面，利用AI分析和理解超构表面与光之间的相互作用，为下一代传感和成像应用打开了新的空间，同时也有望降低复杂测量对高水平专业人员的依赖。近期出现的端到端优化系统，以及能够在外部刺激下主动重构自身性质的自主超构表面，均体现了这一趋势，而这些系统都由AI进行调控。

展望未来，可解释人工智能（XAI）有望在纳米尺度上揭示新的物理机制，大语言模型可用于搭建交互式设计系统，片上光子学则将为光学和量子计算提供关键支撑。在这些趋势推动下，AI增强的超构表面研究正日益成为连接两大前沿技术的重要交汇领域，为基础科学研究与工程技术创新提供强劲动力。