近些年，人工智能（AI）极大地推动了超构光学（Meta-Optics，MO）的发展。超构光学元件旨在纳米尺度上操控光，包括超构透镜（Metalenses，ML）和超构表面（Metasurface，MS）等先进光学元件。由于这些元件设计的复杂性，需要繁复的建模和优化过程，以实现对光行为的精确操控，而人工智能在此类任务中展现出独特的优势。机器学习（ML）算法可以分析大量数据集，并模拟众多设计变化，以确定最有效的配置，从而大幅加快了开发进程。人工智能还能实现自适应超构光学，使光学元件能根据不断变化的成像条件进行动态调整，从而实时提升其性能。这将为显微镜、医疗诊断和消费电子等各种应用带来卓越的成像质量、更高的分辨率和更多新功能。因此，人工智能与超构光学的融合，体现了一项变革性的进步，推动了成像技术的发展。
据麦姆斯咨询报道，近日，由俄罗斯萨马拉国立研究大学（Samara National Research University）与俄罗斯人工智能研究院（Artificial Intelligence Research Institute，AIRI）组成的科研团队阐述了用于成像的人工智能驱动的超构透镜最新研究进展。这篇综述论文以“Revolutionary Integration of Artificial Intelligence with Meta-Optics-Focus on Metalenses for Imaging”为题发表在Technologies期刊上。
与折射透镜相比，超构透镜是利用纳米级结构（通常由微小柱阵列或其它几何形状制成）来操控光的相位，而非通过折射来操控光的方向。这种对光的相位的精确操控使得超构透镜加更轻薄、成像分辨率更高。超构透镜还能更有效地校正色差（CA），使其在成像、传感和通信等光学应用领域展现出极大的发展前景。在超构透镜中，相位是通过被称为纳米天线的纳米结构的响应来调控的，纳米天线直接在衬底材料表面制备而成（如图1c）。这种方法与衍射透镜不同，衍射透镜的相位调控机制与折射透镜类似，主要依赖于透镜材料内光路的长度。
图1 （a）块体型折射透镜、（b）衍射透镜、（c）超构透镜的示意图
根据其设计、功能和使用材料，超构透镜可分为以下几种类型：介质超构透镜（Dielectric Metalenses）、等离子体超构透镜（Plasmonic Metalenses）、梯度折射率（GRIN）超构透镜、手性超构透镜（Chiral Metalens）、抛物面超构透镜（Parabolic Metalenses）、混合超构透镜（Hybrid Metalenses）、可重构超构透镜（Reconfigurable Metalenses）、双目超构透镜与超构透镜阵列。
图2 各类超构透镜的扫描电镜（SEM）图
人工智能与超构光学之间的协同作用通过先进的设计和优化提高了光学元件的性能。人工智能算法简化了超构光学元件的创建过程，实现了在纳米级尺度上对光的精确操控。这种结合为成像、传感和通信技术的创新应用铺平了道路。图3展示了多种机器学习（ML）算法类型。适当的人工智能方法能够显著缩短传统电磁场模拟和优化所需的时间，从而提高超构光学元件的研发效率。人工智能在解决逆向设计问题方面表现出色，而这对超构光学至关重要。
图3 机器学习算法类型：无监督学习（USL）算法、监督学习（SL）算法和强化学习算法
人工智能在超构光学开发中的应用涉及了多种方法，每种方法都具有独特的优势和能力。从机器学习和深度学习（DL）到进化算法（EA）、强化学习、贝叶斯优化（BO）以及迁移学习（TL），这些人工智能技术共同推动了超构材料和超构表面在设计、优化和功能方面的重大进步。
随后，该研究列举了一些近期研发的用于成像的人工智能驱动的超构透镜的示例。（1）单目超构透镜相机能够在一次拍摄中同时捕获环境光照下动态场景的深度和强度图像，如图4所示。（2）Yang等人在2022年提出了一种新方法，即使用具有自由形状超构原子的超构表面实现片上超光谱成像，图5a展示了该超光谱成像仪的基本组件，包括超构表面层、微透镜层和图像传感器层。（3）此外，研究人员通过实验展示了在可见光谱中工作的高数值孔径（NA）、直径达厘米级的像差校正多色聚焦超构透镜。这些大面积超构光学元件预示着新应用时代的到来，例如用于未来虚拟现实（VR）平台的超构目镜，其采用了激光背照式微型液晶显示器（LCD），如图6所示。
图4 人工智能超构透镜单目相机示例
图5 基于超构透镜的超光谱成像仪示例
图6 基于超构透镜的VR近眼投影系统示意图及成像结果
在成像应用中，将人工智能与超构光学融合还面临着若干显著的挑战，主要涉及技术、计算和实践等方面。首先，超构光学元件的设计复杂性是主要挑战之一。其次，人工智能算法优化超构光学设计所需的计算强度也是一个重大阻碍。此外，将人工智能与超构光学融合会在性能上引入不可预测性。因此，研究人员最近开发出黑盒优化方法，以解决物理深度学习实现中固有的高度不确定性及其制造问题。
综上所述，尽管面临诸多挑战，但在成像应用中将人工智能与超构光学融合的未来前景十分广阔，并且有望引发新一轮技术变革。机器学习和计算能力的进步有望缓解当前超构光学的诸多限制。此外，人工智能还能促进超构光学元件的实时调整。因此，人工智能在推动超构光学发展，尤其是在成像应用方面，发挥着举足轻重的作用。
论文链接：
https://doi.org/10.3390/technologies12090143
