超光学——AI联合发展

　　在理想的经典光学中，光在两种介质中的传播，与介质中的光速和两种介质的光学特性有关，如光的折射和反射。超表面 (Meta-Material) 的出现，改变了这种光学行为。

　　具体来说，超表面包含一个纳米 结构 阵列，也被称为超原子，其中每一个都被视为二级点光源。当入射光线遇到这个界面时，纳米结构会改变入射光线的光学特性并重新辐射出新的电磁波。通过有效控制超表面的相位分布，入射光的波面可以被重建，并具有独特的属性和新的功能。

　　加工超光学是连接理论设计和实际应用的直接方式，目前针对不同的目的，如亚波长尺度、结构雕刻、大面积、高长宽比、高产量等，加工技术也已获得良好发展。

　　对此，研究人员介绍了光学超器件 (Meta-Device) 的加工技术，其中，最常用的加工方法是光刻、电子束光刻 (EBL)、聚焦离子束 (FIB) 光刻、纳米压印、激光直写和 3D 打印。通过这些先进的加工方法，超器件得以进一步应用。

　　为满足光学需求，现在已经有一些新型及特殊光学功能的超器件。超器件的巨大优势在于其新型特性、紧凑的尺寸、更轻的重量、高效率、更好的性能、宽带操作 (broadband operation)、更低的能耗、数据量的减少和 CMOS 的兼容性，可用于大规模生产。光学超器件在光束整形、异常偏转和反射、偏振调控和分析等技术方面得到了很好的发展。

　　从上图中可以看到，AI 和超光学两个领域发展趋势大致相同，都是从 2012 年左右进入快速增长时期。在本次研究中，研究人员具体分析了 AI 在超光学中的正问题及逆问题、基于超表面系统的数据分析以及智能可编程超器件 (meta-device) 等方面的应用。

　　AI 尤其是深度学习，为光学模拟提供了一个直接且高效的突破性捷径，近年来，用 AI 进行代理建模成绩斐然。在代理模型中，ANNs 常被用作超原子的光学反应的 近似 预测器。并且，在特定设计任务中，用于代理模型的 ANN 是最优解。

　　2019 年，麻省理工学院材料科学与工程系的博士后 Sensong An 与 Clayton Fowler 等提出了一个名为 Predicting NN 的深度神经网络，为全电介质超原子的振幅和相位响应建模，范围为 30-60 THz。

　　如下图 a 所示，Predicting NN 的输入是几何参数，而输出是真实或虚拟的投射系数。Sensong An 与 Clayton Fowler 等开发了两个 DNN，用于分别预测真实及虚拟部分。要求的振幅和相位响应是利用投射系数进一步计算的。这种间接操作是因为典型的超原子振幅和相位响应在共振频率附近突然发生变化。

　　由于尖锐非线性的硬 回归 ，ANNs 的预测性能在共振处会大大降低，因此，作者创新性地使用了散射系数的不同连续真实及虚拟部分作为预测目标。在毫秒级的速度下，圆柱形和「H」形超原子的预测准确率达到 99% 以上，比传统模拟快 600 倍。

　　设计的自由曲面包括 2D pattern image、晶格大小、结构的厚度和材料的折射率。CNN 的头部被分为两个输入分支。一个处理 2D pattern image，另一个处理不同属性的索引。通过下采样和 上采样 程序，这两个分支被重新组合成匹配维度的特征图。输出仍然采用散射系数的真实和虚拟部分的格式。

　　与以前的工作相比，这种方法使用了更多的训练数据，为自由曲面设计提供了更多效能。此外，在相同的硬件条件下，预测速度比传统模拟快 9000 倍，这也大大超过了以前的工作。

　　为了评估代理模型的有效性，其准确性常与解决麦克斯韦方程的传统模拟工具进行比较。通常来讲，大多数代理模型在各种光学特性方面都表现出高保真度。除了合格的准确性，代理模型比传统的模拟要快几个数量级。

　　为了总结用 ANNs 进行代理建模，下表列出了值得关注的信息，以便直接比较和理解。从质子到电介质超原子，表中所列的材料涵盖了常见的金属和电介质。表中选定的参考文献有不同的建模响应，证明目前的代理模型可以从超原子的结构几何中学习到几乎所有常见的光学特性。

　　尽管如此，基于 ANNs 的代理模型也要比传统的模拟工具也要快很多个数量级，而且除了速度快之外，代理模型还有另一个优点。在超光学的反求设计中，需要一个实时的模拟响应。与目前的商业软件相比，基于 ANNs 的代理模型可以很容易地集成到反求设计方案中，并具有更多的设计自由度。

　　基于判别模型的反求设计方法可以进一步划分为两类，第一类是把设计参数放在输入位置，而作为输出的目标响应，会通过反向传播影响设计参数。这类设计方案很简单，但作为一种迭代优化方法很耗时。第二类更直接，因此是主流方法，即给定期望值，NN 输出预测值。

　　基于 NN 的反求设计对光学知识的要求较低。ANNs 所提供的只是系统的近似解，与目标要求不完全相同。大多数方法在按需设计时表现出 70%+ 的准确率，速度相当快。传统试错模式的反求设计很耗时，而且不能保证解的准确性。尽管存在差异，但拟解总比无解要好。

　　进化计算是 AI 的一个重要分支，是一个元启发式 算法 族，包括基因演算法、进化演算法、蚁群算法和粒子群算法。其模仿了生物进化的过程，通过计算机程序的迭代过程来模拟种族繁殖过程。每一代都引入突变作为小的随机变化，不合格的解决方案通过选择被抛弃。最终，通过这种进化获得最优解。进化计算通常被认为是一个 全局优化 算法的集合。

　　基因演算法 (GA，Genetic Algorithm) 是最常使用的进化计算策略之一。此外，近年来 GA 极大地促进了超表面的反求设计，如超透镜、太赫兹四分之一波片、可编程超材料、亚波长晶格光学。

　　AI 还展示了其在超光学中强大的数据分析能力，类似应用包括对从超透镜中捕捉到的图像进行 计算机视觉 任务。AI 更常被用来处理从超表面获取不可读的数据，如图像分析、微波信号及红外光谱信息等。

　　在 AI 的帮助下，基于可编程超表面的系统，就像一台安装了 CPU 的计算机。当一个可编程或可重构的超表面与 AI 结合时，它们之间的数据流会形成一个循环。AI 负责获取和处理光学数据，并调控可编程超表面的重构。

　　这使得超表面可以从一个普通的光学衍射元件演变为一个智能元件，理解输入数据并自行给出实时响应。

　　(c) 两个案例在不同测量次数（100、200、400 和 600）下的机器学习驱动的成像结果

　　除以上讨论的智能超器件外，一种由 AI 驱动的可编程超表面还可以实现实时复杂波束成形，并形成三维感知。

　　美国咨询公司 Lux Research 关于新兴光学和光子技术的报告显示，超光学材料已经做好初步商业部署，并且将在 2030 年占据价值数十亿美元的市场。

　　以国际领先的超表面公司 Metalenz、NIL Technology 为例，其商业化进展包括：Metalenz 将超光学技术与半导体制造工艺相结合，在意法半导体 12 英寸晶圆代工厂内实现批量生产，并将超透镜应用于意法半导体 FlightSense 系列 ToF 测距传感器 VL53L8；NIL Technology 已构建一个完整的超透镜产业链，包括设计、原型制作、测试和表征以及制造能力，并实现了超透镜的出货。

　　当中值得关注是，就在今年，Metalen 宣布获得新一轮的 1000 万美元风险投资，其联合创始人兼 CEO 罗伯特·德夫林 (Robert Devlin) 表示「我们能够在提高系统级性能的前提下，用单个超光学器件替换当前模块中多达 6 个传统光学器件」。

　　可以窥见，以超透镜为代表的超器件正从实验室走向产业界，逐步成为光学前沿技术的热点，并有望为光学产业带来一场变革。而其中，AI 在超光学发展中起到了至关重要的作用。将 AI 应用于超光学，能够解决复杂的光学设计，快速获得问题的最佳解决方案，同时又能够满足新功能的需求，因此，可以肯定，这两者的结合必将进一步有助于先进光学芯片的研究和开发，并推动下一代光学设备和系统尽快实现。