当前，深度学习技术与超构表面（metasurface）全息成像技术的融合，有力推动了光学成像领域的发展。得益于超构表面对光波特性的精准调控，全息成像技术经处理后可生成对应的三维图像。因此，二者的结合可实现高质量图像的获取。基于神经网络深度学习方法进行超构表面设计的文章数量日益增多，但关于该主题的综述仍较为匮乏。
据麦姆斯咨询报道，近期，中国计量大学田颖教授等人在Photonics期刊上发表了题为“Advances in Deep Learning-Driven Metasurface Design and Application in Holographic Imaging”的综述文章。文中介绍了神经网络的发展历程，以及利用四种神经网络进行超构表面设计的相关内容，并探讨了基于深度学习设计的超构表面全息成像技术的应用，从而增进读者对此类技术的系统性理解。
I 基于深度学习的超构表面设计
近年来，深度学习作为一门快速发展的交叉学科技术，其在超构表面设计中的应用引起了学术界的广泛关注。本文总结了四种用于超构表面设计的神经网络框架，如下图所示。凭借神经网络的优异学习能力，深度学习能够识别超构表面结构属性与其电磁特性之间复杂的隐性关系，并利用大规模数据集简化设计过程。
四种用于超构表面设计的经典神经网络模型
卷积神经网络（CNN）是众多深度学习模型之一，其输入层能够有效处理输入数据，并将其传递至后续层。原始数据的空间维度对网络性能有着至关重要的影响，如果原始数据的尺度不符合网络的要求，通常会进行归一化、尺度调整或区域裁剪等操作，以使数据与网络规范相匹配。
对于超构表面设计而言，卷积神经网络的卷积机制可直接对超构表面单元的空间分布进行建模，使网络无需依赖先验经验模型，即可学习电磁响应特征。卷积神经网络所固有的局部连接性和权重共享特性，与超构表面的设计原理高度契合。此外，多通道处理能够实现多物理场协同优化，从而提升光学性能、结构稳定性与工艺适配性。用于超构表面设计的部分卷积神经网络框架如图下所示。
超构表面设计中的卷积神经网络模型
生成网络旨在全面理解原始训练数据集的内在概率分布特征，并生成符合该分布的新的数据样本。最具代表性的生成模型为生成对抗网络（GAN），其通过生成器（G）和判别器（D）之间的对抗训练过程进行优化。
在超构表面设计中，生成对抗网络通过以端到端的方式将潜在变量的几何结构直接映射到相应的光学响应，解决了电磁仿真软件中的瓶颈问题。除了提高速度之外，生成对抗网络还能够探索高维参数空间，有助于发现满足光学功能要求的超构表面结构。通过将目标函数（例如相位分布或透射光谱）作为条件输入，生成对抗网络避免了传统优化方法的常见缺陷，并引入电磁性能约束，从而在单次训练周期内实现全局优化。近期研究中使用生成对抗网络模型进行超构表面设计的框架图如下所示。
超构表面设计中的生成对抗网络模型
时序网络旨在洞察输入数据的时间相关性，以便推断数据的后续演变过程。在训练过程中，时序网络采用递归方式开展序列学习。在每个时间步，网络会根据输入数据自行调整，将数据的历史信息传递到后续训练中。这构成了一个用于处理时间依赖关系的动态建模框架，其中循环神经网络（RNN）是最具代表性的早期范例。然而，基本循环神经网络模型无法解决梯度消失问题，这极大地限制了模型的学习能力。正是为了解决梯度约束问题，引入了独特的门控机制，从而产生了长短期记忆（LSTM）模型。这些门控机制使LSTM能够有效地管理长期依赖关系，克服了传统RNN的学习局限性。部分相关文献中所采用的循环神经网络模型框架如下图所示。
超构表面设计中的循环神经网络模型
II 基于深度学习设计的超构表面的全息应用
超构表面全息成像利用人工亚波长结构对电磁波场的精确调控能力，通过设计超构表面阵列的空间排布与几何布局，基于数字化的目标光场分布来调制光波的各项参数，从而实现全息成像。
超构表面全息技术融合了两类技术的优势：该技术将目标光场分布逆向设计为各单元的相位调制函数，把连续相位轮廓转化为数字编码图案，并通过单元结构排布构成全息图的编码区域。这种“数字设计-纳米结构编码-波前重构”的机理，摒弃了传统全息术中依赖实物客体与复杂干涉系统，通过定制化超构表面单元排布，可对成像位置、景深、多通道显示实现精密调控，使其适用于动态全息显示、光学信息加密等应用场景。近期研究中，利用神经网络设计超构表面（应用于全息成像）的模型框架如下图所示。
超构表面全息成像应用的深度学习模型
综上所述，研究人员全面探讨了四种经典的深度学习模型——卷积神经网络、生成对抗网络、循环神经网络和长短期记忆网络，并阐述了它们在超构表面设计和全息成像中的应用。深度学习的融入使超构表面设计变得更加多样化、高效且精确，简化了此前复杂的逆向设计过程。
深度学习与超构表面设计工程的交叉融合代表了一种新颖且极具前景的研究方向，旨在提高传统超构表面设计的精度和速度。文中总结了基于深度学习设计的超构表面在全息成像中的应用。未来的工作应将这项技术扩展到其他相关领域。端到端的设计消除了传统分步工作流程中的误差累积。在端到端的全系统设计中，构建了一个融合“目标需求-超构表面结构-阵列布局”的联合优化模型，其中扩散模型生成初始结构，随后通过强化学习进行参数优化。新兴神经网络架构——图神经网络（GNN）和扩散模型——为超构表面设计提供了新的范式。此外，基于GNN对单元间电磁耦合的建模，结合物理约束损失函数，能够实现多波段工作超构表面的设计。这些方面共同凸显了未来研究方向的多样性。
论文链接：
https://doi.org/10.3390/photonics12100947
