01
研究背景
超构光子学（Metaphotonics）由超构材料出发，从对负折射现象和超构透镜的好奇逐渐发展而来，能够利用以亚波长结构为构筑单元排列成的人工材料，突破传统材料的局限，实现新奇的光学现象，为完全控制光提供了更广泛深入的见解和更有用的工具。
人工智能（Artificial intelligence, AI）研究、模拟和扩展以类人类智能的方式进行计算和完成复杂工作的系统及方法，已迅速融入各类学科的前沿研究中。对于超构光子学而言，人工智能技术可以实现多种光子学器件及系统的正向逆向设计、优化和大数据处理，有望广泛应用于三维显示、自动驾驶、传感、生物成像等领域。人工智能技术适用于对复杂的光与物质相互作用过程的分析和预测，将为正向逆向设计和海量数据分析提供了一种强有力的工具，将为未来智能光子设备赋能。
澳大利亚国立大学Yuri Kivshar院士和俄罗斯ITMO的Sergey Krasikov博士所在的国际研究小组在其最新综述中，概述了智能超构光子学领域——人工智能和超构光子学交叉科学领域的进展，重点介绍了机器学习的基本原理和赋能超构光子学设计的具体应用案例。该综述的主要内容如下：
1. 机器学习的基本概念：机器学习作为一种正向和逆向光子学器件和系统设计的工具，文章首先阐述了其基本概念，以一个人工神经网络（artificial neural network, ANN）辅助设计超构光子系统的例子体现出网络的总体设计逻辑和优势。
2. 超构光子学中的超构系统、超构表面和纳米天线结构：介绍了超构光子学的基本概念，结合实例说明机器学习辅助纳米天线设计过程。进一步，重点介绍了变革性的超构表面及通过机器学习增强其特性的例子，如在吸收器、结构色、激光雷达（LiDAR）或近眼显示器方面的设计应用。
3. 超构表面作为化学生物传感平台的应用：机器学习在化学和生物传感领域不仅可以用作传感器优化设计方法，还可以作为样品分类的工具。列举了机器学习用于比色传感器优化、增强DNA寡聚体检测灵敏度、实时监测生物分子动力学、SARS-CoV-2分类等研究实例。
4. 自适应智能超构系统：智能光子设备能够随着环境条件的变化自动调整其响应。例如，可根据电磁场频率和入射角的变化而自适应调整的“隐身斗篷”，可自动调整元件位置和方向的激光器智能控制系统。
5. 总结和展望：总结了人工智能辅助超构光子学设计的概念和进展，拓展性地介绍了该技术未来在拓扑光子学、高Q光学共振超构表面设计、光神经网络、生物启发性智能器件、光子突触、高维度优化等研究领域的潜在发展和挑战。
02
机器学习的基本概念
当今人工智能领域的大多数应用程序和设计都基于机器学习（machine learning, ML），机器学习的发展为人工智能的学习能力提供了一套数据驱动的算法。机器学习算法的目标是找到连接输入输出数据的数学模型，可完成包括分类、回归、聚类、异常检测和结构化预测等一系列任务，但特征提取过程往往消耗较大并且需要特定领域的专业知识。
深度学习（Deep learning, DL）是机器学习的一个子类，如图1所示。该方法基于人工神经网络的分层结构，以类似生物神经结构的的方式工作。与经典机器学习方法不同，深度学习的关键在于自动学习数据集特征，设计过程不需要掌握特定领域的知识即可得到输入输出间的映射关系。
图2 基于深度学习技术的正向和逆向设计
03
变革性的超构系统和超构表面设计
光学超构材料可以有效操控电磁波，展示出多种奇特的光学现象并有望代替部分传统光学元件和设备，进一步支持未来光子技术在高水平集成化、多功能、高性能的嵌入式数据处理和波导集成平台上的发展。因此，在超构光子学领域，研究和优化材料构建块（如纳米天线和超构表面）成为一项重要的工作。
文章首先介绍了利用机器学习方式设计纳米天线的过程和总体思路。以核壳结构的散射响应工程为例，如图3所示，通过训练网络达到正向预测纳米粒子的散射光谱或者逆向确定特定响应所需的材料和结构参数的目标。相较于传统的FDTD仿真，机器学习正向设计的速度快，预测准确度高，有望结合传统的数值仿真方式形成一种新型的计算工具实现实时远场响应设计。进一步，为解决深度学习中对大数据样本的需求，迁移学习（transfer learning）的提出允许使用已为其他任务训练过的人工神经网络来解决新的问题。
图3 机器学习赋能多层纳米天线设计。(a)基于深度学习方法的设计程序示意图。(b)演示由相变材料制成的多层球体从不可见到超散射的转变。(c)迁移学习过程
随后，介绍了机器学习辅助的特定功能超构表面及超构器件设计优化，如图4所示。其中，深度学习可以处理具有固定几何形状单元结构的参数优化问题或实现自由形式设计，如像素化图像集的单元结构，从而显著扩展了单元结构几何形状的范围。超构表面和超构器件开发的关键任务之一是调整光与物质相互作用的特定参量，因此许多研究都致力于设计和优化其吸收、散射和衍射特性。文章介绍了深度学习辅助设计在多谐振和宽带吸收器、结构色器件、高性能太阳能电池、激光成像探测和测距（laser imaging detection and ranging, LIDAR）系统、近眼显示器、“光帆”、高鲁棒性器件等方面的应用，体现出该设计方法对超构器件和系统实用性起到了重要的提升作用。
图4 机器学习赋能的变革性超构表面设计。(a)超构表面逆向设计的一般方案。(b)由两个ITO电极组成的LIDAR设备示例，其中超构结构包含液晶，施加到电极的电压通过 FPGA处理器控制。超构表面通过调整折射率以所需角度偏转透射光束。(c)利用分束器作为耦合光栅的双目近眼显示器
04
化学和生物传感
智能生物传感器融合了多种先进技术，而机器学习辅助设计的超构表面是其中一类子课题，具有极高的研究价值，如图5所示。一方面，该超构传感器提供了一个可靠稳定的传感平台。文章以所展示的基于全电解质超构表面的比色传感器及基于等离子体超构表面的DNA寡聚体检测器与传统器件的对比，展示出该类优化传感器的高灵敏度和高稳定性。另一方面，也可设计其使成为分析响应光谱及对特定分子分类的工具，用于生物分子动力学监测研究。
图5 深度学习赋能的超构传感器。(a)深度学习辅助设计的超构表面传感应用示意图。(b)使用深度学习方法逆向设计的比色传感器示例。(c)深度学习辅助设计的SARS-CoV-2分类器件。(d)用于监测生物分子动力学的等离子体传感器示例
05
自适应超构系统
人工智能技术可调整系统对特定输入的响应，进一步改变输入可编程超构表面的编码序列以适应环境变化。近年来，作为智能超表面的一个新分支，这一概念在射频无线通信领域引起了人们的广泛关注，将有望应用于6G和物联网技术中，如图6所示。
图 6 自适应超构表面。(a)深度学习辅助自适应超构设备的示意图。(b)自适应隐形装置示例。(c)基于超构表面的深度学习辅助微波成像仪。(d)具有可重编程功能的基于超构表面的光学人工神经网络。
06
观点和展望
机器学习能够帮助研究者实现非常规、高性能的光学设计，从而推进基于超构光子学设备的成像、传感等功能实现，如图7所示。随着在智能光子学设计方法和新兴材料平台构建上的投入增多，智能超构系统、拓扑光子学、光神经网络、高维系统优化等新研究、新视角、新方法将被不断开拓，从而极大地拓宽光子学领域及其应用。
文章强调了光子设备作为物理神经网络平台实现模拟自然神经结构的信息处理方法——神经形态计算的可能性。不同于传统的集中式处理架构，通过这种分布式的信息处理方法，能够实现节能、并行的计算和任务处理。目前，不同类型的光子神经元方案已通过使用马赫-曾德尔干涉仪、相变材料、衍射元件等进行物理实现。超构光子学中的多种力学和非线性现象能够进一步使得这些物理深度学习平台实现更复杂和重要的计算，如卷积神经网络的构建等。同时，其他的受生物学启发的智能超构系统，如蜘蛛眼视觉系统、光子突触等，在人工智能技术的助力下也能得到性能和功能多样性的提升。
图7 深度学习支持的超构系统示例。(a)一维光子晶体拓扑特性的正向和逆向设计。(b) 通过深度学习算法设计的连续体中的束缚态，允许预测具有自动标记模式的反射光谱并找到合适的晶胞几何参数。(c)受生物学启发的深度学习算法辅助系统示例。通过模仿生物神经网络的工作逻辑，实现类蜘蛛视觉系统设计
论文信息：DOI: 10.29026/oea.2022.210147
