AI赋能光学设计：扩散模型实现光学特性与亚波长结构的直接映射
导读
近日，与光科技创始人清华大学黄翊东教授团队崔开宇课题组在Light: Advanced Manufacturing上发表了题为“Artificial Intelligence-Generated Photonics: Map Optical Properties to Subwavelength Structures Directly via a Diffusion Model”的最新研究成果。
该研究深入发掘人工智能在内容生成领域的巨大潜力，提出了一种创新的光学结构逆向设计技术——人工智能生成光学结构AIGP（artificial intelligence-generated photonic），该技术基于扩散模型。此方法实现了从光学性能指标到结构参数的直接关联，克服了传统设计方法中依赖正向模拟和反复迭代的效率瓶颈。具体来说，研究将期望的光学特性作为“指令”，指导构建的生成模型精确地“创造”出符合要求的光学结构。仿真和实验结果均表明，该方法能在同时满足透射功率、相位、偏振响应等多重光学约束条件下，高保真地生成可制造的亚波长光学超构表面。这项突破性成果有望深刻改变光学设计模式，为新型光子器件的快速研发和高效制造开辟新途径。
灵活调控光场是现代光子学发展的关键。以光子晶体、超构表面为代表的亚波长结构，超越了传统光学元件的调控方式，为精确、高效的光场操控提供了新思路。
由于亚波长结构的尺寸小于光在介质中的波长，无法直接使用几何光学或波动光学进行解析建模。传统设计方法主要依赖正向模拟，只能在设计空间非常有限的预设结构库中寻找较优方案。近年来兴起的逆向设计方法虽能生成性能更优、甚至反直觉的光学结构，但其本质是将设计问题转化为优化问题，依赖迭代算法搜索最优解。此过程中，每轮迭代都需调用时域有限差分法等数值模拟进行正向建模，导致计算量巨大。此外，这类方法普遍面临收敛性、计算效率及全局最优解等优化算法固有的挑战。
当前，人工智能生成内容（AIGC）和AI for Science的快速发展，已展示出深度神经网络在图像生成、智能对话、医药研发、化学分析、机械工程等广泛领域的强大能力。然而，要实现真正实用的光学生成式人工智能设计，仍需克服诸多难题：解的非唯一性与存在性、制备工艺约束的嵌入困难、模型泛化能力不足，以及训练与部署阶段输入数据分布不匹配等。这些问题导致当前方法多局限于预设的一对一映射空间，难以实现灵活、通用的光学结构生成。
在本研究中，团队提出了一种基于扩散模型的逆向设计方法，实现了光学特性到光学结构的直接映射，并将其命名为artificial intelligence-generated photonic (AIGP)。该研究利用扩散模型强大的图像合成能力，极大地扩展了搜索空间，能够设计出全新的光学结构。在此框架下，给定的光学特性可被视为“提示指令”，引导模型精确“绘制”出所需的光学结构。为实现这种直接映射，团队设计了一套光学特性编码方案，并构建了提示编码器网络，这不仅解决了逆问题中由非唯一解导致的神经网络训练不收敛难题，也为按需设计光学结构提供了交互界面。同时，研究引入了快速正向预测网络，大幅加速了仿真过程，并实现了端到端训练。
图1：AIGP的整体工作流程
本研究构建的训练数据集包含了各种形状的结构单元，并在满足制备工艺约束的前提下，尽可能拓宽了设计空间的范围。与现有方法相比，AIGP有效解决了逆向设计领域的几项核心难题，包括非唯一解问题、对未见过输入的鲁棒性不足，以及对迭代优化路径的依赖。这些长期制约该领域发展的关键障碍得到了有效突破，为基于深度生成模型的光学设计开辟了新的探索方向。此外，与生成对抗网络（GAN）相比，扩散网络在训练稳定性和生成性能方面表现更优，并具有良好的可扩展性，能够支持更大规模、更复杂的生成任务。该网络可生成拓扑结构多样的自由形状构型，同时提示编码器网络有效建立了抽象设计需求与实际光学响应之间的映射关系。
图2：AIGP的逆设计效果示意
本研究提出的AIGP方法，成功实现了从光学特性到亚波长超构表面的直接映射。该方法彻底摆脱了传统逆向设计对迭代优化的依赖，通过构建符合制备约束的训练数据集，从源头过滤掉不可制造的精细结构，实现了设计效率、搜索空间与工艺可行性的协同提升。
在核心技术能力方面，AIGP方法展现出三大显著优势：首先，具备高精度映射能力，可将全波段精密透射谱响应直接映射至对应的超原子结构，并支持基于偏振响应的逆向设计，从透射光谱、相位谱到偏振响应，均可在数秒内直接生成可制备的超原子结构；其次，支持灵活的设计约束，可根据C4对称性生成偏振不敏感器件，并对特定波段进行掩码操作，灵活适应不同的设计目标；再次，具备模糊搜索能力，即使面对仅包含截止波长等抽象参数的模糊设计需求，仍能逼近理想性能，突破了对精确正向建模的依赖。
在实验验证方面，研究团队基于蓝宝石上硅（SOS）衬底芯片，通过迁移学习微调模型，在230纳米厚的硅层上完成了64种结构色超原子的直接映射生成与加工制备，成功将一幅向日葵画作编码于芯片表面，完整验证了该方法“生成即满足制备约束”的工艺可行性。进一步地，面对物理上难以实现的理想长波通滤光响应，该方法仍能在数秒内给出接近最优的解，实测透射光谱与设计曲线高度吻合。同时，AIGP方法在带通滤波片、偏振分束器、多波长相位调制器等任务中的优异表现，充分验证了其在多种设计场景下的强大泛化能力。
从仿真设计到实际制备与测试的全流程实验，论文工作系统验证了AIGP方法的可靠性：无需迭代优化，生成结果即可满足制备约束，实现一次映射直达实物。这一方法在引领光学结构设计范式变革的同时，也为高性能光子器件的快速研发与高效制造开辟了全新路径。
图3：AIGP设计结果的加工验证
总结与展望
该研究指出，AIGP方法虽以超构表面为验证载体，但其核心框架有潜力直接拓展至大规模光学结构设计。以大口径超构透镜为例，其几何形态可通过图像编码网络高效压缩，而扩散模型本身擅长生成高分辨率图像，两者的结合为大规模逆向设计提供了一条可行的技术路径。同时，AIGP方法天然兼容多物理量输入，只需调整提示编码器的维度，即可将透射率、相位、偏振等多维设计目标整合为统一的控制向量，展现出良好的扩展性和通用性。
更具前瞻意义的是，该研究揭示了基于Transformer与扩散模型的生成式框架在光子学中的可扩展性——提示编码器与正向预测网络继承自大语言模型架构，图像编解码模块则与Stable Diffusion同源。研究团队展望，在充足训练数据的支持下，未来有望构建光子学大模型，推动人工智能从“按需设计特定结构”向“理解光学物理通用表征”演进，为人工智能与光子学的深度融合开辟全新范式。
论文信息
Shijie Rao, Kaiyu Cui, Jiawei Yang, Yali Li, Shengjin Wang, Xue Feng, Fang Liu, Wei Zhang, Yidong Huang. Artificial intelligence-generated photonics: mapping optical properties to subwavelength structures directly via a diffusion model[J].Light: Advanced Manufacturing7, 37(2026). doi: 10.37188/lam.2026.037
https://doi.org/10.37188/lam.2026.037