共计 5031 个字符，预计需要花费 13 分钟才能阅读完成。
本文首发自 HyperAI 超神经微信公众号~
内容一览：近年来，为了冲破传统光学钻研的局限性，光学与物理学穿插畛域的一个新兴技术超光学呈现，并且展现出微小的市场前景。在这门技术高速倒退的过程中，人工智能凭借本身弱小的能力，起到了重要的推动作用，那么二者到底碰撞出了何种火花？本文将为各位读者出现相干系列成绩。
在咱们生存的世界之中，光表演了外围的角色。也正因为光的重要性和独特性，伽利略、牛顿、麦克斯韦、爱因斯坦等迷信伟人都曾致力于光的钻研，能够说，光学钻研曾经领有悠久的历史。然而随着技术的倒退、人类需要一直晋升，光学钻研中的一些局限性也慢慢凸显了进去。
传统光学成像在硬件性能、成像性能方面靠近物理极限，在泛滥畛域已无奈满足利用需要。为了迎接这一挑战，近几年来，一个新兴多学科穿插畛域「计算光学成像」应运而生，并于年初入选了阿里达摩院 2023 十大科技趋势。
据专家介绍，相比传统光学成像，计算光学成像是将数字化、信息化深度交融在光学设计外面，软硬件一体化，通过计算为光学成像注入了新的「生命」，其钻研内容覆盖范围广，包含 FlatCAM、超光学技术等。对此，去年底彭博就曾公布一篇 Opinion 文章称，计算光学成像中的超光学 (Meta Optics) 技术无望在往年引起宽泛关注，并在将来十年内产生改革。
那么，计算光学成像分支之一的超光学到底是什么？其为何又能倒退如此之快？深究起因，上文提到所谓的数字化、信息化交融的过程中天然少不了一个关键因素—— 人工智能（以下简称 AI）。
接下来本文将围绕论文《Artificial Intelligence in Meta-optics》，从 AI 与超光学的联合动手，具体介绍相干畛域的最新研究成果，以期对科研人员有所启发。
超光学要害概念一览
在现实的经典光学中，光在两种介质中的流传，与介质中的光速和两种介质的光学个性无关，如光的折射和反射。超外表 (Meta-Material) 的呈现，扭转了这种光学行为。
具体来说，超外表蕴含一个纳米构造阵列，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，纳米构造会扭转入射光线的光学个性并从新辐射出新的电磁波。通过无效管制超外表的相位散布，入射光的波面能够被重建，并具备独特的属性和新的性能。
加工超光学是连贯实践设计和理论利用的间接形式，目前针对不同的目标，如亚波长尺度、构造雕刻、大面积、高长宽比、高产量等，加工技术也已取得良好倒退。
对此，钻研人员介绍了光学超器件 (Meta-Device) 的加工技术，其中，最罕用的加工办法是光刻、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办法，超器件得以进一步利用。
为满足光学需要，当初曾经有一些新型及非凡光学性能的超器件。超器件的微小劣势在于其新型个性、紧凑的尺寸、更轻的分量、高效率、更好的性能、宽带操作 (broadband operation)、更低的能耗、数据量的缩小和 CMOS 的兼容性，可用于大规模生产。光学超器件在光束整形、异样偏转和反射、偏振调控和剖析等技术方面失去了很好的倒退。
借力 AI 大步狂奔
AI 与超光学的发展趋势 横轴示意年份，纵轴示意每年的出版物数量
从上图中能够看到，AI 和超光学两个畛域发展趋势大致相同，都是从 2012 年左右进入快速增长期间。在本次钻研中，钻研人员具体分析了 AI 在超光学中的正问题及逆问题、基于超外表零碎的数据分析以及智能可编程超器件 (meta-device) 等方面的利用。
代理建模 (Surrogate Modeling)
光学个性建模
AI 尤其是深度学习，为光学模仿提供了一个间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馈的近似预测器。并且，在特定设计工作中，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，范畴为 30-60 THz。
如下图 a 所示，Predicting NN 的输出是几何参数，而输入是实在或虚构的投射系数。Sensong An 与 Clayton Fowler 等开发了两个 DNN，用于别离预测实在及虚构局部。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左近忽然发生变化。
(a) 圆柱形超原子的振幅及相位预测
(b) 自在曲面全绝缘超原子振幅及相位预测
(c) alternate-material-shell 纳米粒子的散射截面预测
(d) 16 面多边形超原子的衍射效率预测
(e) 通过 DNN 对自在曲面超原子进行吸收光谱预测
(f) 通过 CNN 和 RNN 对自在曲面超原子进行吸收光谱预测
因为尖利非线性的硬回归，ANNs 的预测性能在共振处会大大降低，因而，作者创新性地应用了散射系数的不同间断实在及虚构局部作为预测指标。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，比传统模仿快 600 倍。
2020 年，Sensong An 与 Clayton Fowler 等提出了一种新办法，用 CNN 来表征同一工作波段中超原子的振幅和相位。不同的是，建模对象是具备不同资料个性的自在曲面构造 (freeform structure)，而非繁难构造 (simple structure)，如上图 b 所示。
设计的自在曲面包含 2D pattern image、晶格大小、构造的厚度和资料的折射率。CNN 的头部被分为两个输出分支。一个解决 2D pattern image，另一个解决不同属性的索引。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色图。输入依然采纳散射系数的实在和虚构局部的格局。
与以前的工作相比，这种办法应用了更多的训练数据，为自在曲面设计提供了更多效力。此外，在雷同的硬件条件下，预测速度比传统模仿快 9000 倍，这也大大超过了以前的工作。
性能评估
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仿工具进行比拟。通常来讲，大多数代理模型在各种光学个性方面都体现出高保真度。除了合格的准确性，代理模型比传统的模仿要快几个数量级。
(a) 自在曲面构造的吸收光谱
(b)「H」形超原子的振幅和相位响应
(c) TE 和 TM 模式下纳米棒的前向和后向散射，以及外部电场分布图（顶部）
(d) 反射光谱和相应的 CD 光谱
(e) 用理论加工设计的测量来验证透射光谱
(f) 数字模拟和基于深度学习的代理模型之间的计算工夫比拟
为了总结用 ANNs 进行代理建模，下表列出了值得关注的信息，以便间接比拟和了解。从质子到电介质超原子，表中所列的资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，证实目前的代理模型能够从超原子的构造几何中学习到简直所有常见的光学个性。
不过，作为一种近似的麦克斯韦方程求解器，代理模型也存在 3 个毛病：
- 代理模型的性能受限于训练数据的构建，每个模型只能在特定条件（如透射率、反射率、偏振率等）、特定工作波长下运行。
- 一些代理模型的性能在共振频率下会有所降落。
- 生成训练数据的过程是一项劳动密集型的繁琐工作。
尽管如此，基于 ANNs 的代理模型也要比传统的模仿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长处。在超光学的反求设计中，须要一个实时的模仿响应。与目前的商业软件相比，基于 ANNs 的代理模型能够很容易地集成到反求设计方案中，并具备更多的设计自由度。
反求设计
基于梯度的神经网络
依据采纳的模型类型，深度学习辅助的反求设计能够分为两局部：
- 基于判断模型
- 基于生成模型
基于判断模型的反求设计办法能够进一步划分为两类，第一类是把设计参数放在输出地位，而作为输入的指标响应，会通过反向流传影响设计参数。这类设计方案很简略，但作为一种迭代优化办法很耗时。第二类更间接，因而是支流办法，即给定期望值，NN 输入预测值。
(a) S 参数的指标光学个性和吸收率
(b) 倡议的设计方案 workflow
(c) 钻研中模型的 3D 图形，可用矩阵示意
基于 NN 的反求设计对光学常识的要求较低。ANNs 所提供的只是零碎的近似解，与指标要求不完全相同。大多数办法在按需设计时体现出 70%+ 的准确率，速度相当快。传统试错模式的反求设计很耗时，而且不能保障解的准确性。只管存在差别，但拟解总比无解要好。
无梯度进化计算
进化计算是 AI 的一个重要分支，是一个元启发式算法族，包含基因演算法、进化演算法、蚁群算法和粒子群算法。其模拟了生物进化的过程，通过计算机程序的迭代过程来模仿种族滋生过程。每一代都引入渐变作为小的随机变动，不合格的解决方案通过抉择被摈弃。最终，通过这种进化取得最优解。进化计算通常被认为是一个全局优化算法的汇合。
基因演算法 (GA，Genetic Algorithm) 是最常应用的进化计算策略之一。此外，近年来 GA 极大地促成了超外表的反求设计，如超透镜、太赫兹四分之一波片、可编程超资料、亚波长晶格光学。
数据分析
AI 还展现了其在超光学中弱小的数据分析能力，相似利用包含对从超透镜中捕捉到的图像进行计算机视觉工作。AI 更常被用来解决从超外表获取不可读的数据，如图像剖析、微波信号及红外光谱信息等。
(a-c) 为化学成分分类工作进行数据分析
(a) 超外表化学分类器示意图
(b) 每种化学品的透射光谱
(c) 前两个主成分（顶部）和通过 PCA 的前三个主成分的分类后果可视化
(d-g) 声学成像的数据分析
(d) 试验配置示意图
(e) 含有亚波长特色信息的高振幅波向量组件的波的流传，没有（左）和有（右）超透镜
(f) 从辐射源到后端重建和辨认的数据流
(g) 在没有超透镜（顶部）及有超透镜的状况下（底部），远场信息的重建和辨认后果
智能可编程超器件
在 AI 的帮忙下，基于可编程超外表的零碎，就像一台装置了 CPU 的计算机。当一个可编程或可重构的超外表与 AI 联合时，它们之间的数据流会造成一个循环。AI 负责获取和解决光学数据，并调控可编程超外表的重构。
这使得超外表能够从一个一般的光学衍射元件演变为一个智能元件，了解输出数据并自行给出实时响应。
(a-c) 智能成像器
(b) 16 个辐射模式和机器学习产生的对应的模式
(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后果
(d) 智能成像仪和识别器
(e) 一个智能斗篷 (cloak)
除以上探讨的智能超器件外，一种由 AI 驱动的可编程超外表还能够实现实时简单波束成形，并造成三维感知。
超器件时代或将降临
美国征询公司 Lux Research 对于新兴光学和光子技术的报告显示，超光学材料曾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。
以国内当先的超外表公司 Metalenz、NIL Technology 为例，其商业化停顿包含：Metalenz 将超光学技术与半导体制作工艺相结合，在意法半导体 12 英寸晶圆代工厂内实现批量生产，并将超透镜利用于意法半导体 FlightSense 系列 ToF 测距传感器 VL53L8；NIL Technology 已构建一个残缺的超透镜产业链，包含设计、原型制作、测试和表征以及制作能力，并实现了超透镜的出货。
当中值得关注是，就在往年，Metalen 发表取得新一轮的 1000 万美元风险投资，其联结创始人兼 CEO 罗伯特·德夫林 (Robert Devlin) 示意「咱们可能在进步零碎级性能的前提下，用单个超光学器件替换以后模块中多达 6 个传统光学器件」。
能够窥见，以超透镜为代表的超器件正从实验室走向产业界，逐渐成为光学前沿技术的热点，并无望为光学产业带来一场改革。而其中，AI 在超光学倒退中起到了至关重要的作用。将 AI 利用于超光学，可能解决简单的光学设计，疾速取得问题的最佳解决方案，同时又可能满足新性能的需要，因而，能够必定，这两者的联合必将进一步有助于先进光学芯片的钻研和开发，并推动下一代光学设备和零碎尽快实现。
参考链接：
[1]https://baijiahao.baidu.com/s?id=1755507538405155365&wfr=spid…
[2]https://zhuanlan.zhihu.com/p/540485936
论文地址：
https://pubs.acs.org/doi/10.1021/acs.chemrev.2c00012
