[超表面论文快讯-492]长春理工大学团队在Advanced Science发表全斯托克斯高光谱偏振编码超表面条件多任务深度学习设计框架

标题：

Design and Optimization of Full-Stokes Hyperspectro-Polarimetric Encoding Metasurfaces Based on Conditional Multi-Task Deep Learning

作者：

Chenjie Gong（长春理工大学 空间光电技术吉林省重点实验室）；

 通讯作者： Haodong Shi（长春理工大学 空间光电技术吉林省重点实验室）；

 Qi Wang（长春理工大学 空间光电技术吉林省重点实验室）；

 Yingchao Li（长春理工大学 空间光电技术吉林省重点实验室）；

 Hongyu Sun（长春理工大学 空间光电技术吉林省重点实验室）；

 Jiayu Wang（长春理工大学 空间光电技术吉林省重点实验室）；

 Guanlin Li（长春理工大学 空间光电技术吉林省重点实验室）；

 Jian Zhang（吉林省光电测量与控制仪器工程研究中心）；

 Qiang Fu（长春理工大学 空间光电技术吉林省重点实验室）；

 Huilin Jiang（长春理工大学 空间光电技术吉林省重点实验室）；

重要图片：

图1.FHPEM示意图。

超表面晶格周期为500 nm、纳米柱高度为600 nm，覆盖400–900 nm光谱范围。

图2.FHPEM设计的深度学习框架。

模型由三部分组成：数据集生成模块、前向设计网络与反向设计网络。在网络中，Parai作为输入1同时提供给两个网络，而Cij作为输入2提供给反向网络。反向网络输出Para′j（由四个参数组成），随后作为输入3送入前向网络。前向网络进一步预测C′ij（由四个相关系数组成）作为输出2。最后，对Para′j与Cij计算损失，并通过反向网络反向传播以迭代更新。

图3.前向设计网络的训练结果。

图4.前向设计网络的统计分析。

(a) 不同偏振方向的预测误差箱线图。(b) 各偏振方向预测误差的均值与标准差。(c) 六个偏振方向总体预测误差的直方图。

图5.反向设计网络的预测误差分布。

(a) 预测误差直方图。(b) 各个被预测参数集合的预测误差箱线图。

(a) 仿真与预测的几何参数对比（单位：nm）。(b) (a)中仿真参数与预测参数对应的透射曲线对比。A与B表示两种不同类型的超表面结构。

图7.FHPEM阵列的设计与表征。

(a) 基于条件多任务网络的超表面阵列设计流程示意图。这里C表示穆勒矩阵元素（M00、M01、M02、M03）平均绝对相关系数。(b–e) 分别为n=16、36、64与100的超表面阵列中，穆勒矩阵各分量的相关系数分布。颜色深浅表示相关程度。

图8.光谱-偏振重建网络示意图。

图10.在0°线偏振入射下的光谱重建结果。

(a) 窄带光谱的重建结果。(b–d) 分别为双峰间隔为2、3与4 nm的双峰源重建结果。

(a) 光谱-偏振测量装置示意图。光源控制入射光谱；光谱仪测量光谱信息；分束器（BS）分离并引导光到不同光路；线偏振片（LP）与四分之一波片（QWP）控制入射光的偏振态；物镜（OL）收集透过超表面的光；CMOS相机成像后焦平面。(b) 超表面样品的光学图像（左）与扫描电子显微镜（SEM）图像（右）。(c) 选取的16个超原子的实验测得光谱-偏振编码矩阵。

图12.光谱重建结果。

(a) 在0°线偏振入射下对光谱分辨率的验证。(b) 在0°线偏振入射下的宽带光谱重建。

图13.不同偏振组合下的光谱-偏振重建结果。

(a) 0°与45°线偏振。(b) 0°与90°线偏振。(c) 45°与90°线偏振。(d) 90°线偏振与右旋圆偏振（RCP）。(e) 135°线偏振与左旋圆偏振（LCP）。(f) RCP与LCP。

图14.不4同目标场景的光谱-偏振图像重建结果。原始图像显示对应目标的RGB图像。

图15.在四种代表性偏振态（0°、135°、LCP与RCP）下的偏振分辨光谱重建结果。