光学超构表面是一种能够控制光传播的平面人工介质，正从实验室转向商业应用。这种转变需要先进的超构原子（meta-atom）和超构表面（metasurface）设计，考虑可制造性，并通过后处理算法提高光学性能。人工智能（AI），特别是机器学习（ML）和优化，为这些需求提供了解决方案。

据麦姆斯咨询报道，近日，美国麻省理工学院（Massachusetts Institute of Technology）的研究人员在npj Nanophotonics期刊上发表了题为“AI for optical metasurface”的文章。文中系统地概述了AI在三个关键领域的潜在影响：AI赋能的超构表面可制造性设计（DFM）、超越经典局部相位近似（LPA）的设计，以及AI驱动的计算后端。

基于AI的超构表面应用方法的图形总结

AI赋能的超构表面可制造性设计

可制造性设计（DFM）旨在为工业量产规模的制造和封装工艺制定优化的器件设计，构成了产品开发周期中的重要元素。在光学超构表面的背景下，AI可以通过两种方式简化和加快以DFM为中心的器件工程。首先，机器学习提供了一个强大的工具来开发非直观的先进超构表面设计，并充分考虑了制造公差。除了制定制造友好型的设计外，AI可以产生重大影响的另一个领域是超构表面的制造工艺开发。AI提供了一种预测性流程设计工具，以避免不断人为干预的反复试错优化。

考虑超构原子可加工性和制造公差的超构表面设计

超越局部相位近似

设计超构表面器件的经典方法遵循基于LPA的“超构单元”方法，其中超构表面由一组超构原子作为超构单元构成，这些超构原子的响应在周期边界条件下进行建模。在寻找超高效率的超构表面设计时，这种方法与实验的差异变得不可接受，因为任何效率损失都是不能容忍的。

基于AI的技术可以通过三种方式帮助解决这一挑战。机器学习方法可用于预测并补偿超构原子之间的光耦合，从而缩小设计和实验结果之间的差距。或者，采用机器学习方法生成超构光栅设计，然后将其用于非光栅超构表面优化。最后，新的机器学习方法可预测大面积超构表面性能的建模，而无需全面的电磁仿真。

利用AI增强光学性能的超构表面设计

利用生成式AI进行超构光栅设计

AI驱动的计算后端

人工智能和机器学习技术已经广泛应用于图像后处理。在超构表面光学的背景下，计算后端可以类似地实施以提高输出质量，甚至改善其固有的性能限制。通过同时优化超构表面光学（硬件前端）和后处理算法（计算后端），可以进一步提高性能。此外，在这一人工智能驱动的计算成像领域，一个主要的问题是缺乏标准化的数据集和基准，这对于评估机器学习模型的可扩展性和现实世界的适用性至关重要。据观察，虽然模型通常在有限的学术数据集上表现良好，但在更多样化的现实环境中，它们的有效性往往会下降。这凸显了建立能够真正反映实际应用中所遇到复杂性的稳健基准测试的重要性。为了克服这些限制，迁移学习的策略经常被讨论。迁移学习利用了在全面多样化的数据集上预训练的模型，从而增强其适应性，并提高在计算成像任务中的泛化能力。

论文信息：
https://doi.org/10.1038/s44310-024-00037-2

光学超构表面是一种能够控制光传播的平面人工介质，正从实验室转向商业应用。这种转变需要先进的超构原子（meta-atom）和超构表面（metasurface）设计，考虑可制造性，并通过后处理算法提高光学性能。人工智能（AI），特别是机器学习（ML）和优化，为这些需求提供了解决方案。

据麦姆斯咨询报道，近日，美国麻省理工学院（Massachusetts Institute of Technology）的研究人员在npj Nanophotonics期刊上发表了题为“AI for optical metasurface”的文章。文中系统地概述了AI在三个关键领域的潜在影响：AI赋能的超构表面可制造性设计（DFM）、超越经典局部相位近似（LPA）的设计，以及AI驱动的计算后端。

基于AI的超构表面应用方法的图形总结

AI赋能的超构表面可制造性设计

可制造性设计（DFM）旨在为工业量产规模的制造和封装工艺制定优化的器件设计，构成了产品开发周期中的重要元素。在光学超构表面的背景下，AI可以通过两种方式简化和加快以DFM为中心的器件工程。首先，机器学习提供了一个强大的工具来开发非直观的先进超构表面设计，并充分考虑了制造公差。除了制定制造友好型的设计外，AI可以产生重大影响的另一个领域是超构表面的制造工艺开发。AI提供了一种预测性流程设计工具，以避免不断人为干预的反复试错优化。

考虑超构原子可加工性和制造公差的超构表面设计

超越局部相位近似

设计超构表面器件的经典方法遵循基于LPA的“超构单元”方法，其中超构表面由一组超构原子作为超构单元构成，这些超构原子的响应在周期边界条件下进行建模。在寻找超高效率的超构表面设计时，这种方法与实验的差异变得不可接受，因为任何效率损失都是不能容忍的。

基于AI的技术可以通过三种方式帮助解决这一挑战。机器学习方法可用于预测并补偿超构原子之间的光耦合，从而缩小设计和实验结果之间的差距。或者，采用机器学习方法生成超构光栅设计，然后将其用于非光栅超构表面优化。最后，新的机器学习方法可预测大面积超构表面性能的建模，而无需全面的电磁仿真。

利用AI增强光学性能的超构表面设计

利用生成式AI进行超构光栅设计

AI驱动的计算后端

人工智能和机器学习技术已经广泛应用于图像后处理。在超构表面光学的背景下，计算后端可以类似地实施以提高输出质量，甚至改善其固有的性能限制。通过同时优化超构表面光学（硬件前端）和后处理算法（计算后端），可以进一步提高性能。此外，在这一人工智能驱动的计算成像领域，一个主要的问题是缺乏标准化的数据集和基准，这对于评估机器学习模型的可扩展性和现实世界的适用性至关重要。据观察，虽然模型通常在有限的学术数据集上表现良好，但在更多样化的现实环境中，它们的有效性往往会下降。这凸显了建立能够真正反映实际应用中所遇到复杂性的稳健基准测试的重要性。为了克服这些限制，迁移学习的策略经常被讨论。迁移学习利用了在全面多样化的数据集上预训练的模型，从而增强其适应性，并提高在计算成像任务中的泛化能力。

论文信息：
https://doi.org/10.1038/s44310-024-00037-2