Прямой монолитный дизайн голографической метаповерхности с преобразованием поля в паттерн.
Метаповерхности, как двумерные метаматериалы, демонстрируют потрясающую способность электромагнитной (ЭМ) модуляции в субволновом масштабе, открывая новый способ управления свойствами ЭМ волны на плоскости. Благодаря гибкой модуляции электромагнитных волн метаповерхности породили ряд очаровательных применений, таких как идеальные поглотители, маскирующие устройства, плоские металинзы и метаголограммы.
Появление метаповерхностей демонстрирует исключительные возможности в разработке и улучшении оптических и микроволновых устройств. Появляется множество увлекательных работ, которые значительно обогатили разработку и применение голограмм. В соответствии с режимом модуляции информации метаповерхностную голографию можно условно разделить на три категории: только фазовая, только амплитудная и комплексно-амплитудная метаповерхностная голография.
В традиционных конструкциях голограмм распределение фазы и амплитуды метаповерхности выводится на основе теории Гюйгенса-Френеля, а затем целевое распределение голограммы заполняется путем проектирования элементов метаповерхности с заданным электромагнитным откликом для завершения проектирования метаповерхности.
Однако из-за связи между элементами и погрешности элементов теоретические результаты теории дифракции несколько отличаются от реальных. Поэтому для проверки голограммы необходимо дальнейшее численное моделирование, которое потребляет вычислительные ресурсы и увеличивает сложность конструкции.
Следовательно, упрощение традиционного процесса проектирования еще больше повысит эффективность проектирования метаповерхностей. Популяризация машинного обучения в области дизайна материалов дает новый способ упростить проектирование метаповерхностей. В последние годы машинное обучение широко используется при проектировании и применении метаповерхностей.
При проектировании метаповерхностей наиболее распространенные методы проектирования применяются на уровне микроструктуры, включая прямое проектирование и инверсное проектирование метаповерхности, то есть ЭМ-отклик может быть выведен непосредственно из структуры, а геометрические параметры могут быть выведены из ЭМ-спектра.
Машинное обучение эффективно повышает эффективность проектирования метаповерхностей, заменяя процесс моделирования. Однако традиционные методы в основном связаны с оптимизацией ЭМ-отклика клеток, и оптимизированные клетки располагаются в соответствии с заданным распределением для достижения заданной функции, что означает, что связь между ячейками игнорируется.
Таким образом, метаповерхности могут быть спроектированы с макроскопической точки зрения. Анализируя пространственное распределение локального поля, можно точно исследовать внутренний закон локального поля и реконструировать взаимосвязь отображения между локальным полем и модулятором. Следовательно, эффективность проектирования и точность метаповерхности могут быть дополнительно улучшены за счет анализа распределения электрического поля с макроскопической точки зрения и монолитного создания структуры метаповерхности с помощью метода машинного обучения.
Голографические метаповерхности со сложной амплитудой (CAHM) с гибкостью модуляции профилей фазы и амплитуды использовались для управления распространением волнового фронта с беспрецедентным уровнем, что привело к более высокому качеству реконструкции изображения по сравнению с их естественными аналогами.
Однако преобладающие методы проектирования CAHM основаны на теории Гюйгенса-Френеля, оптимизации метаатома, численном моделировании и экспериментальной проверке, что приводит к потреблению вычислительных ресурсов. Здесь исследователи профессор Ван и профессор Цюй из Инженерного университета ВВС применили сверточную нейронную сеть остаточного кодера-декодера для прямого отображения распределения электрического поля и входных изображений для проектирования монолитной метаповерхности.
Предварительно обученная сеть сначала обучается с помощью распределений электрического поля, рассчитанных с помощью теории дифракции , которые впоследствии мигрируют в качестве структуры переноса обучения для отображения смоделированных распределений электрического поля и входных изображений. Результаты обучения показывают, что нормализованная средняя ошибка пикселя в наборе данных составляет около 3%.
В качестве проверки прототипы метаповерхностей изготавливаются, моделируются и измеряются. Реконструированное электрическое поле реконструированной метаповерхности демонстрирует высокое сходство с целевым электрическим полем, что демонстрирует эффективность нашей конструкции. Обнадеживает то, что эта работа представляет собой монолитный метод проектирования «поле-образец» для CAHM, который прокладывает новый путь для прямой реконструкции метаповерхностей.
