首页 >> 学术资讯 >>前沿文章 >>光学 >> 浙江大学《Nature Machine Intelligence》:MetaAI开启超表面智能设计新路径
详细内容

浙江大学《Nature Machine Intelligence》:MetaAI开启超表面智能设计新路径

1768637882329511.png

一、背景与挑战
超表面因其对电磁波的特殊调控能力而受到广泛关注,但其电磁响应主要依赖于精心设计的拓扑结构。随着对电磁操控能力需求的提升,传统拓扑已无法满足当前要求。设计空间的大幅扩展带来了高计算成本与优化复杂性,如何在可接受的计算成本下在广阔设计空间中定位最优设计成为核心挑战。

现有优化方法(如梯度下降、遗传算法等)虽有一定成效,但仍受限于局部最优、计算成本高、难以复用等问题。深度学习模型常被用作仿真替代或拓扑生成器,但直接从电磁响应映射到拓扑存在非唯一性(不同拓扑可产生相似响应)与不稳定性(拓扑微小变化可能导致响应大幅波动)的挑战。

二、方法提出:MetaAI 框架
本文提出 MetaAI,一种基于电流扩散的物理感知生成框架,其特点包括:

  1. 电流预测取代拓扑预测:
    通过预测超表面上的电流分布,而非直接生成拓扑,利用电流与电磁响应之间更直接、更稳定的物理关联,提高模型的泛化能力与设计稳定性。

  2. 空间‑频率双域扩散:
    采用视频扩散模型架构,将不同频率下的电流幅度分布视为视频帧,在空间与频率两个维度同时进行扩散生成。该设计增强了生成多样性,并支持对分布外目标的泛化。

  3. 动态输入形式:
    模型支持动态频率点输入,可适应不同频带与子带的设计需求,提升了实际应用的灵活性。

三、实现效果

  • 单层超表面设计:
    在传输‑截止‑传输(S‑T‑S)功能设计中,MetaAI 生成的拓扑实现了78.0%的相对带宽(RBW),超出训练数据最佳性能(71.29%),验证了其分布外设计能力。

  • 可调超表面设计:
    结合变容二极管加载的传统结构与MetaAI生成层,实现了123.08%的RBW,优于训练数据最佳性能(105.88%),并通过实验验证了性能提升。

  • 多层超表面设计:
    在集成电阻加载层的吸收‑传输多功能设计中,MetaAI 生成的拓扑在平均误差(0.0441)上优于最佳训练数据(0.0757),且吸收带宽从66.22%提升至69.18%。

四、创新点

  1. 物理嵌入的生成路径:
    通过电流分布作为中间表示,将电磁物理机制嵌入生成过程,提升了设计的物理合理性与泛化能力。

  2. 双域视频扩散架构:
    首次将视频扩散模型应用于电磁超表面设计,在空间与频率维度协同生成,增强了模型对复杂电磁行为的捕捉能力。

  3. 动态条件输入机制:
    支持可变频率点条件输入,使模型能够适应不同频带设计与局部功能调控的灵活需求。

  4. 分布外设计能力验证:
    在单层、多层及可调超表面中均实现了超出训练数据性能边界的设计,展示了强泛化与突破性设计潜力。

五、结论
MetaAI 为超表面逆向设计提供了一种物理感知、生成多样、泛化强的统一框架。其电流驱动的设计策略与空间‑频率双域扩散机制,不仅提升了设计性能,也为深入理解超表面电磁物理机制提供了新途径。未来工作可扩展至更多材料、入射角与周期结构的设计中。


研究成果以题为:《Current-diffusion model for metasurface structure discoveries with spatial-frequency dynamics》发表于期刊《Nature Machine Intelligence》。单位为:浙江大学、杭州电子科技大学、中国航空工业集团航空复合材料特种结构研究所,第一作者为:浙江大学Erji Li, Yusong Wang.

01

摘要

摘要:

在人工智能驱动的超材料发现中,超表面设计需要向未探索的性能区间进行外推,以发现新的结构。本文介绍MetaAI——一种物理感知的电流扩散框架,它协同利用空间拓扑和频域响应来发现非直觉的超表面架构。不同于受限于预设规格的传统逆向设计,MetaAI 作为一个性能合成器,通过生成连接电磁性能与超表面结构的电流分布来运作。这使得模型能够实现具有多样化拓扑的分布内与分布外设计目标。所提出框架的核心创新在于其双域扩散模块,该模块直接将超原子电流机制与电磁行为关联起来,从而能够发现工作带宽拓宽17.2% 的结构。我们在单层、多层和动态可调超表面对 MetaAI 进行了验证,在全波仿真和实验原型中展示了其分布外泛化能力。


02

图示

图1:使用MetaAI设计超表面的流程示意图

1768637961798505.png

a. MetaAI在一个具有像素和层数自由度的复杂设计空间中训练。在设计结构时,将偏离训练数据、具有分布外(OOD)性能的S参数作为电磁条件输入。
b. 通过空间-频率扩散过程,从初始化的高斯噪声生成电流分布。
c. 从生成的电流分布映射后,使用训练好的前向代理模型对大量潜在拓扑进行预筛选,以提高设计效率。
d. 筛选出多种符合条件的拓扑。
e. 对设计结构的单层、多层和可调超表面功能进行验证。f_T、f_R 和 f_A 分别表示透射、反射和吸收频带的频率;f_L 和 f_U 表示可调频带的下限和上限。

图2:我们的电流扩散Transformer示意图

1768637989531484.png

a. 我们的电流扩散Transformer的扩散流程受目标S参数条件约束。首先训练并使用一个dVAE分词器,将特定频率下的电流幅度投影到潜在空间。然后,含噪的潜在特征由多个电流扩散Transformer块处理以去除噪声。FC表示全连接层;b表示批次大小;f表示频率点数量;n表示空间令牌数量,m表示每个令牌的隐藏维度;c、h、w分别表示潜在特征的通道数、高度和宽度。
b. 具有频率和空间注意力机制的电流扩散Transformer块。频率注意力机制使模型能够发现同一结构在不同频率下电流分布之间的关系,其灵感来源于视频扩散中的频率注意力机制。空间和频率注意力机制的详细内部结构如下所示。S参数的嵌入令牌与电流嵌入在令牌维度上拼接,这有助于强调条件输入。k、q和v表示含噪潜在特征嵌入令牌的键、查询和值矩阵;ek和ev表示条件嵌入令牌的键和值矩阵;K、Q和V表示最终自注意力计算的键、查询和值矩阵,其中K由k和ek组成,V由v和ev组成。

图3:具有OOD性能的单层超表面设计结果

1768638017938888.png

a. 空间-频率扩散采样过程中的潜在空间动态。
b. 由MetaAI生成的归一化电流分布。
c. 生成拓扑中的全波仿真归一化电流分布。
d. 根据生成的电流分布投票选出的拓扑结构。
e. 生成拓扑、设计目标、最佳训练数据集及其他合格训练数据集的S参数对比。
f. 生成拓扑(红星)、目标(黄圈)及其他合格训练数据集(阴影区域内标记点)的相对带宽分布。合格训练数据集数量 n = 181。每个图中,中心线代表中位数,箱体边界代表上下四分位数,须线代表最大值和最小值。

图4:可调超表面的实验设计结果

1768638040657891.png

a. 可调层的S参数。
b. 左图:生成的单层拓扑、设计目标、最佳训练数据集及其他合格训练数据集的S参数对比。右图:生成拓扑(红星)、目标(黄圈)及其他合格训练数据集(阴影区域内标记点)的相对带宽分布。合格训练数据集数量 n = 276。图中中心线代表中位数,箱体边界代表上下四分位数,须线代表最大值和最小值。
c. 最终设计的超表面与最佳训练数据集的S参数对比。插图:阴影框区域的放大图。
d. 所设计可调超表面的三维阵列视图和制作的原型。
e. 右图所示可调S参数的仿真与测量结果对比。Meas., 测量结果;Simu., 仿真结果。

图5:多层超表面的实验设计结果

1768638065347949.png

a. 有耗层(加载集总电阻)的S参数(左)和吸收率(右)。
b. 左图:生成的多层拓扑、设计目标、最佳训练数据集及部分训练数据集的S参数对比。右图:生成结构与训练数据集中前15名结构相对于设计目标的绝对误差。
c. 设计的超表面与最佳训练数据集在S参数(左)和吸收率(右)上的对比。
d. 所设计超表面的三维阵列视图和制作的原型。
e. S参数和吸收率的仿真与测量结果对比。

扩展数据图1 | 注意力模块的消融实验

1768638103554296.png

(a) 去除频率注意力;
(b) 使用空间线性注意力;
(c) 我们的方法。

扩展数据图2 | 不同配置下NSGA-II的优化结果

1768638141431325.png

(a) 低维设计空间,随机二进制初始化;
(b) 高维设计空间,随机二进制初始化;
(c) 高维设计空间,随机二进制初始化并施加连续性约束;
(d) 高维设计空间,以最佳训练数据初始化并施加连续性约束。

文章信息

文章信息:Li, E., Wang, Y., Jin, L. et al. Current-diffusion model for metasurface structure discoveries with spatial-frequency dynamics. Nat Mach Intell (2025).

DOI:https://doi.org/10.1038/s42256-025-01162-z
暂无评论

seo seo