AI 加碼，超光學進入狂飆時代

在我們生活的世界之中，光扮演了核心的角色。也正因為光的重要性和獨特性，伽利略、牛頓、麥克斯韋、愛因斯坦等科學巨人都曾致力于光的研究，可以說，光學研究已經(jīng)擁有悠久的歷史。然而隨著技術的發(fā)展、人類需求不斷提升，光學研究中的一些局限性也漸漸凸顯了出來。
傳統(tǒng)光學成像在硬件功能、成像性能方面接近物理極限，在眾多領域已無法滿足應用需求。為了迎接這一挑戰(zhàn)，近幾年來，一個新興多學科交叉領域「計算光學成像」應運而生，并于年初入選了阿里達摩院 2023 十大科技趨勢。
據(jù)專家介紹，相比傳統(tǒng)光學成像，計算光學成像是將數(shù)字化、信息化深度融合在光學設計里面，軟硬件一體化，通過計算為光學成像注入了新的「生命」，其研究內(nèi)容覆蓋范圍廣，包括 FlatCAM、超光學技術等。對此，去年底彭博就曾發(fā)布一篇 Opinion 文章稱，計算光學成像中的超光學 (Meta Optics) 技術有望在今年引起廣泛關注，并在未來十年內(nèi)產(chǎn)生變革。
那么，計算光學成像分支之一的超光學究竟是什么？其為何又能發(fā)展如此之快？深究原因，上文提到所謂的數(shù)字化、信息化融合的過程中自然少不了一個關鍵因素—— 人工智能（以下簡稱 AI）。
接下來本文將圍繞論文《Artificial Intelligence in Meta-optics》，從 AI 與超光學的結合入手，詳細介紹相關領域的最新研究成果，以期對科研人員有所啟發(fā)。
超光學關鍵概念一覽
在理想的經(jīng)典光學中，光在兩種介質(zhì)中的傳播，與介質(zhì)中的光速和兩種介質(zhì)的光學特性有關，如光的折射和反射。超表面 (Meta-Material) 的出現(xiàn)，改變了這種光學行為。
具體來說，超表面包含一個納米結構陣列，也被稱為超原子，其中每一個都被視為二級點光源。當入射光線遇到這個界面時，納米結構會改變?nèi)肷涔饩€的光學特性并重新輻射出新的電磁波。通過有效控制超表面的相位分布，入射光的波面可以被重建，并具有獨特的屬性和新的功能。
加工超光學是連接理論設計和實際應用的直接方式，目前針對不同的目的，如亞波長尺度、結構雕刻、大面積、高長寬比、高產(chǎn)量等，加工技術也已獲得良好發(fā)展。
對此，研究人員介紹了光學超器件 (Meta-Device) 的加工技術，其中，最常用的加工方法是光刻、電子束光刻 (EBL)、聚焦離子束 (FIB) 光刻、納米壓印、激光直寫和 3D 打印。通過這些先進的加工方法，超器件得以進一步應用。
超表面加工方法示意圖
為滿足光學需求，現(xiàn)在已經(jīng)有一些新型及特殊光學功能的超器件。超器件的巨大優(yōu)勢在于其新型特性、緊湊的尺寸、更輕的重量、高效率、更好的性能、寬帶操作 (broadband operation)、更低的能耗、數(shù)據(jù)量的減少和 CMOS 的兼容性，可用于大規(guī)模生產(chǎn)。光學超器件在光束整形、異常偏轉(zhuǎn)和反射、偏振調(diào)控和分析等技術方面得到了很好的發(fā)展。
 借力 AI 大步狂奔
AI 與超光學的發(fā)展趨勢橫軸表示年份，縱軸表示每年的出版物數(shù)量
從上圖中可以看到，AI 和超光學兩個領域發(fā)展趨勢大致相同，都是從 2012 年左右進入快速增長時期。在本次研究中，研究人員具體分析了 AI 在超光學中的正問題及逆問題、基于超表面系統(tǒng)的數(shù)據(jù)分析以及智能可編程超器件 (meta-device) 等方面的應用。
 代理建模 (Surrogate Modeling) 
光學特性建模
AI 尤其是深度學習，為光學模擬提供了一個直接且高效的突破性捷徑，近年來，用 AI 進行代理建模成績斐然。在代理模型中，ANNs 常被用作超原子的光學反應的近似預測器。并且，在特定設計任務中，用于代理模型的 ANN 是最優(yōu)解。
2019 年，麻省理工學院材料科學與工程系的博士后 Sensong An 與 Clayton Fowler 等提出了一個名為 Predicting NN 的深度神經(jīng)網(wǎng)絡，為全電介質(zhì)超原子的振幅和相位響應建模，范圍為 30-60 THz。
如下圖 a 所示，Predicting NN 的輸入是幾何參數(shù)，而輸出是真實或虛擬的投射系數(shù)。Sensong An 與 Clayton Fowler 等開發(fā)了兩個 DNN，用于分別預測真實及虛擬部分。要求的振幅和相位響應是利用投射系數(shù)進一步計算的。這種間接操作是因為典型的超原子振幅和相位響應在共振頻率附近突然發(fā)生變化。
用于超原子表征的代理模型概述
(a) 圓柱形超原子的振幅及相位預測(b) 自由曲面全絕緣超原子振幅及相位預測(c) alternate-material-shell 納米粒子的散射截面預測(d) 16 面多邊形超原子的衍射效率預測(e) 通過 DNN 對自由曲面超原子進行吸收光譜預測(f) 通過 CNN 和 RNN 對自由曲面超原子進行吸收光譜預測
由于尖銳非線性的硬回歸，ANNs 的預測性能在共振處會大大降低，因此，作者創(chuàng)新性地使用了散射系數(shù)的不同連續(xù)真實及虛擬部分作為預測目標。在毫秒級的速度下，圓柱形和「H」形超原子的預測準確率達到 99% 以上，比傳統(tǒng)模擬快 600 倍。
2020 年，Sensong An 與 Clayton Fowler 等提出了一種新方法，用 CNN 來表征同一工作波段中超原子的振幅和相位。不同的是，建模對象是具有不同材料特性的自由曲面結構 (freeform structure)，而非簡易結構 (simple structure)，如上圖 b 所示。
設計的自由曲面包括 2D pattern image、晶格大小、結構的厚度和材料的折射率。CNN 的頭部被分為兩個輸入分支。一個處理 2D pattern image，另一個處理不同屬性的索引。通過下采樣和上采樣程序，這兩個分支被重新組合成匹配維度的特征圖。輸出仍然采用散射系數(shù)的真實和虛擬部分的格式。
與以前的工作相比，這種方法使用了更多的訓練數(shù)據(jù)，為自由曲面設計提供了更多效能。此外，在相同的硬件條件下，預測速度比傳統(tǒng)模擬快 9000 倍，這也大大超過了以前的工作。
性能評估
為了評估代理模型的有效性，其準確性常與解決麥克斯韋方程的傳統(tǒng)模擬工具進行比較。通常來講，大多數(shù)代理模型在各種光學特性方面都表現(xiàn)出高保真度。除了合格的準確性，代理模型比傳統(tǒng)的模擬要快幾個數(shù)量級。
代理模型的驗證
(a) 自由曲面結構的吸收光譜(b) 「H」形超原子的振幅和相位響應(c) TE 和 TM 模式下納米棒的前向和后向散射，以及內(nèi)部電場分布圖（頂部）(d) 反射光譜和相應的 CD 光譜(e) 用實際加工設計的測量來驗證透射光譜(f) 數(shù)字模擬和基于深度學習的代理模型之間的計算時間比較
為了總結用 ANNs 進行代理建模，下表列出了值得關注的信息，以便直接比較和理解。從質(zhì)子到電介質(zhì)超原子，表中所列的材料涵蓋了常見的金屬和電介質(zhì)。表中選定的參考文獻有不同的建模響應，證明目前的代理模型可以從超原子的結構幾何中學習到幾乎所有常見的光學特性。
大多數(shù)代理模型可以實現(xiàn) 90%+ 的準確率
不過，作為一種近似的麥克斯韋方程求解器，代理模型也存在 3 個缺點：

• 代理模型的性能受限于訓練數(shù)據(jù)的構建，每個模型只能在特定條件（如透射率、反射率、偏振率等）、特定工作波長下運行。
• 一些代理模型的性能在共振頻率下會有所下降。
  
• 生成訓練數(shù)據(jù)的過程是一項勞動密集型的繁瑣任務。
  

參考鏈接：

[1]https://baijiahao.baidu.com/s?id=1755507538405155365&wfr=spider&for=pc

[2]https://zhuanlan.zhihu.com/p/540485936

論文地址：

https://pubs.acs.org/doi/10.1021/acs.chemrev.2c00012