机器学习和光学/光子学的相互作用正在改变我们设计新型超表面结构和开发智能超表面器件的方式。在超表面工作中超表面结构，一个关键步骤是获得具有所需光学响应的高性能超表面结构或分布。

与传统的电磁数值计算方法相比，基于机器学习的超表面逆向设计极大地提高了设计效率，缩短了求解时间。然而，作为一种数据驱动算法，数据对机器学习作用就像发动机的“燃料”一样重要，合适的算法模型更是关乎发动机的“引擎”质量。

而在已有的探索中，仍存在一个主要障碍，即数据集和网络均是一次性。对于每一个新的状态或任务，必须丢弃所有数据集和网络，重建新的数据集和网络，导致巨大的资源浪费与时间消耗。在现有超表面逆向设计中，每个超表面任务之间都是物理不相关的，数据利用效率也极低。因此，如果能构建出与超表面之间的物理连接相对应的网络，可以稳健地处理大量的超表面设计问题，为智能超器件的设计开辟崭新的道路。

近日，浙江大学钱超研究员，陈红胜教授团队首次提出了一种适用于超表面逆向设计和组装的“绿色”知识继承神经网络。该研究成果以“A knowledge-inherited learning for intelligent metasurface design and assembly”为题发表在Light: Science & Applications。

研究团队指出，在传统的“砖对砖”式神经网络中，输入-输出参数往往是固定且僵化的，与之不同，类似于建造具有高度灵活性和自由组装性的集装箱式房屋，该团队提出的“板对板”式算法赋予了网络可回收性和灵活的可组装性（图1a）。

图1：应用于超表面逆向设计的知识继承神经网络示意图。（a） 以房屋建筑类比传统神经网络和知识继承网络。在砖石建筑中，所有砖块都用砂浆堆叠并被固定，而集装箱式建筑则用可拆卸的“面板”组件建造。（b）知识继承范式。与“一砖一瓦”的砖石建筑类似，传统的神经网络一旦建立起来就不可分割、僵化、功能单一。与之相反，知识继承神经网络适用于面向多对象的以及形状不固定的超表面设计任务。它由两个功能网络组成，INN和SNN。对于给定的“后代”超表面，可以通过组装INN和动态调整SNN来合成最终的网络架构。

基于超表面特殊的物理性质，提出的知识继承网络与超表面结构的复杂空间信息相关联，从而实现对“父代”超表面的知识继承，继而通过自由组装构建新的“子代”超表面。换句话说，该方法将物理空间中的超表面的组装特性对应到神经网络的组装合成中。这种范式打破了长期以来神经网络只适用于预定义和形状单一的目标设计对象的刻板印象。具体来讲，该知识继承网络由两个功能网络模块组成，即继承神经网络（全称INN）和组装神经网络（全称SNN）。其中，INN负责每个“面板”/“父代”超表面的逆向设计，SNN作为部署者为每个INN分配子任务（图1b）。

研究人员利用一种大尺度非周期（图2a）和三种周期性“子代”超表面（图4a）的组装设计对该范式进行了基准测试，证明了其优越的泛化能力。该知识继承范式的优势是显而易见的：挖掘、继承并循环利用“父代”知识，不仅大大降低设计维度，同时实现多目标场景的设计任务。

图2：知识继承范式的整体架构与网络结构。（a）知识继承范式的流程图。为了匹配继承-组装方案，建立了两个网络（INN和SNN），INN负责每个“面板”超表面的逆向设计，SNN旨在探索全局目标电磁响应和每个“面板”超表面提供的局部电磁响应之间的关系。在该范式中，所有局部“面板”超表面被建立成为一个数据库，其中包含七个具有不同倾斜角度（沿方向倾斜）的局部面板，包括0°、±10°、±20°、-30°和45°。不规则非周期超表面由面板A、B、F、G提供的49个局部面板组成。（b）知识继承神经网络的结构。SNN是一个由卷积神经网络组成的双输出网络，INN被建立为具有两个模块的双输入双输出网络。即，用于逆向设计的卷积神经网络模块和用于正向映射的物理辅助模块（所有数字下标表示滤波器的数量），两个模块由中间相位分布连接。

与迁移学习相比，知识继承网络在基本机理和性能上有着本质差异。迁移学习是一种从计算机app延伸而来的成熟算法，指的是一个预训练的模型被重新用在另一个任务中。基本操作过程是在源任务中转移预先训练的神经网络，以辅助目标任务的训练。然而，这种迁移方法极不稳定，并不能保证迁移学习的成功率。甚至与没有迁移学习相比，性能变得更差。换句话说，迁移学习就像一个“黑匣子”，严重依赖于特征的暴力攻击，缺乏物理可解释性（图3a）。

图3：迁移学习和知识继承网络的比较。（a）迁移学习一种从计算机app延伸而来的算法，性能不稳定，且依赖于特征的暴力攻击，缺乏合理的解释。（b）知识继承学习是一种特有的方法，往往带来性能的增益，存在明确的物理解释和关联。

相比之下，知识继承学习是一种独特专有的方法，它可以被视为内部转移的知识之间具有物理联系的“白盒”（图3b），且不能轻易复制到计算机app中。由于超表面特有的物理性质，知识继承网络与结构的复杂空间信息相关联，往往带来性能的增益，实现了虚拟空间中网络合成与物理空间中超表面组装的呼应。

作为卫星的“扬声器”，星载天线是卫星通信不可或缺的一部分。传统的星载天线技术具有相当高的硬件成本、能耗和计算复杂性。即使在高精度的情况下，对于天线的逆设计，传统的电磁解算器通常依赖于复杂冗长的数值模拟。

在该研究中，研究团队利用设计的智能可折叠超表面提出并实验演示了一种有望用于未来卫星通信的创新星载天线。柔性、超薄和低成本的可折叠超表面可以安装在卫星的机翼上，消除了传统星载天线的高硬件成本和计算复杂性的障碍（图4b）。实验结果清楚地表明了卫星-卫星和卫星-地球通信的可能性，应用的知识继承神经网络也使得通信过程中动态变化设计目标成为可能。

图4：周期性“子代”超表面及其在未来卫星通信应用的设想。（a）周期性可折叠超表面的组装过程。三个具有不同可拉伸角度（±20°、±10°和0°）的“子代”超表面由面板D/E、面板B/C和面板A组装而成，缩写为子代1/2/3。每个“后代”元表面包含16个面板（包括16×64个单元），其中8个沿y轴延伸，2个沿x轴延伸。（b）基于智能可折叠超表面的卫星通信示意图。作为一种灵活、超薄和低成本的自由波束调控器件，可折叠超表面可以被安装在卫星的机翼上，实现自由折叠和拉伸。结合适用于多目标场景的知识继承范式，可折叠超表面可以实现卫星-卫星通信和卫星-地球通信。（来源：LightScienceApplications微信公众号）

相关论文信息：