內容一覽：近年來，為了突破傳統光學研究的侷限性，光學與物理學交叉領域的一個新興技術超光學出現，並且展現出巨大的市場前景。在這門技術高速發展的過程中，人工智慧憑藉自身強大的能力，起到了重要的推動作用，那麼二者究竟碰撞出了何種火花？本文將為各位讀者呈現相關係列成果。
關鍵詞：AI 超光學 超表面
作者 | 三羊
編輯 | 緩緩
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、馬克士威、愛因斯坦等科學巨人都曾致力於光的研究，可以說，光學研究已經擁有悠久的歷史。然而隨著技術的發展、人類需求不斷提升，光學研究中的一些侷限性也漸漸凸顯了出來。
傳統光學成像在硬體功能、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，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，並於年初入選了阿里達摩院 2023 十大科技趨勢。
據專家介紹，相比傳統光學成像，計算光學成像是將數字化、資訊化深度融合在光學設計裡面，軟硬體一體化，通過計算為光學成像注入了新的「生命」，其研究內容覆蓋範圍廣，包括 FlatCAM、超光學技術等。對此，去年底彭博就曾發佈一篇 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，並在未來十年內產生變革。
那麼，計算光學成像分支之一的超光學究竟是什麼？其為何又能發展如此之快？深究原因，上文提到所謂的數字化、資訊化融合的過程中自然少不了一個關鍵因素—— 人工智慧（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。
超光學關鍵概念一覽
在理想的經典光學中，光在兩種介質中的傳播，與介質中的光速和兩種介質的光學特性有關，如光的折射和反射。超表面 (Meta-Material) 的出現，改變了這種光學行為。
具體來說，超表面包含一個奈米結構陣列，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，奈米結構會改變入射光線的光學特性並重新輻射出新的電磁波。通過有效控制超表面的相位分佈，入射光的波面可以被重建，並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、高產量等，加工技術也已獲得良好發展。
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、奈米壓印、鐳射直寫和 3D 列印。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，現在已經有一些新型及特殊光學功能的超器件。超器件的巨大優勢在於其新型特性、緊湊的尺寸、更輕的重量、高效率、更好的性能、寬頻操作 (broadband operation)、更低的能耗、資料量的減少和 CMOS 的兼容性，可用於大規模生產。光學超器件在光束整形、異常偏轉和反射、偏振調控和分析等技術方面得到了很好的發展。
借力 AI 大步狂奔
AI 與超光學的發展趨勢
橫軸表示年份，縱軸表示每年的出版物數量
從上圖中可以看到，AI 和超光學兩個領域發展趨勢大致相同，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、基於超表面系統的資料分析以及智慧可程式設計超器件 (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。並且，在特定設計任務中，用於代理模型的 ANN 是最優解。
2019 年，麻省理工學院材料科學與工程系的博士後 Sensong An 與 Clayton Fowler 等提出了一個名為 Predicting NN 的深度神經網路，為全電介質超原子的振幅和相位響應建模，範圍為 30-60 THz。
如下圖 a 所示，Predicting NN 的輸入是幾何參數，而輸出是真實或虛擬的投射係數。Sensong An 與 Clayton Fowler 等開發了兩個 DNN，用於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係數進一步計算的。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生變化。
用於超原子表徵的代理模型概述
(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 奈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
由於尖銳非線性的硬迴歸，ANNs 的預測性能在共振處會大大降低，因此，作者創新性地使用了散射係數的不同連續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 來表徵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。通過下采樣和上取樣程序，這兩個分支被重新組合成匹配維度的特徵圖。輸出仍然採用散射係數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資料，為自由曲面設計提供了更多效能。此外，在相同的硬體條件下，預測速度比傳統模擬快 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，其準確性常與解決馬克士威方程的傳統模擬工具進行比較。通常來講，大多數代理模型在各種光學特性方面都表現出高保真度。除了合格的準確性，代理模型比傳統的模擬要快幾個數量級。
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 模式下奈米棒的前向和後向散射，以及內部電場分佈圖（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) 數字模擬和基於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資訊，以便直接比較和理解。從質子到電介質超原子，表中所列的材料涵蓋了常見的金屬和電介質。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。
大多數代理模型可以實現 90%+ 的準確率
不過，作為一種近似的馬克士威方程求解器，代理模型也存在 3 個缺點：
* 代理模型的性能受限於訓練資料的構建，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。
* 生成訓練資料的過程是一項勞動密集型的繁瑣任務。
儘管如此，基於 ANNs 的代理模型也要比傳統的模擬工具也要快很多個數量級，而且除了速度快之外，代理模型還有另一個優點。在超光學的反求設計中，需要一個實時的模擬響應。與目前的商業軟體相比，基於 ANNs 的代理模型可以很容易地集成到反求設計方案中，並具有更多的設計自由度。
反求設計
基於梯度的神經網路
根據採用的模型類型，深度學習輔助的反求設計可以分為兩部分：
1. 基於判別模型
2. 基於生成模型
基於判別模型的反求設計方法可以進一步劃分為兩類，第一類是把設計參數放在輸入位置，而作為輸出的目標響應，會通過反向傳播影響設計參數。這類設計方案很簡單，但作為一種迭代最佳化方法很耗時。第二類更直接，因此是主流方法，即給定期望值，NN 輸出預測值。
第二類反求設計實例
(a) S 參數的目標光學特性和吸收率
(b) 建議的設計方案 workflow
(c) 研究中模型的 3D 圖形，可用矩陣表示
基於 NN 的反求設計對光學知識的要求較低。ANNs 所提供的只是系統的近似解，與目標要求不完全相同。大多數方法在按需設計時錶現出 70%+ 的準確率，速度相當快。傳統試錯模式的反求設計很耗時，而且不能保證解的準確性。儘管存在差異，但擬解總比無解要好。
無梯度進化計算
進化計算是 AI 的一個重要分支，是一個元啟發式演算法族，包括基因演算法、進化演算法、蟻群演算法和粒子群演算法。其模仿了生物進化的過程，通過計算機程序的迭代過程來模擬種族繁殖過程。每一代都引入突變作為小的隨機變化，不合格的解決方案通過選擇被拋棄。最終，通過這種進化獲得最優解。進化計算通常被認為是一個全局最佳化演算法的集合。
基因演算法 (GA，Genetic Algorithm) 是最常使用的進化計算策略之一。此外，近年來GA 極大地促進了超表面的反求設計，如超透鏡、太赫茲四分之一波片、可程式設計超材料、亞波長晶格光學。
資料分析
AI 還展示了其在超光學中強大的資料分析能力，類似應用包括對從超透鏡中捕捉到的圖像進行計算機視覺任務。AI 更常被用來處理從超表面獲取不可讀的資料，如圖像分析、微波信號及紅外光譜資訊等。
基於超表面的應用用機器學習進行資料分析
(a-c) 為化學成分分類任務進行資料分析
(a) 超表面化學分類器示意圖
(b) 每種化學品的透射光譜
(c) 前兩個主成分（頂部）和通過 PCA 的前三個主成分的分類結果視覺化
(d-g) 聲學成像的資料分析
(d) 實驗配置示意圖
(e) 含有亞波長特徵資訊的高振幅波向量元件的波的傳播，沒有（左）和有（右）超透鏡
(f) 從輻射源到後端重建和識別的資料流
(g) 在沒有超透鏡（頂部）及有超透鏡的情況下（底部），遠場資訊的重建和識別結果
智慧可程式設計超器件
在 AI 的幫助下，基於可程式設計超表面的系統，就像一臺安裝了 CPU 的計算機。當一個可程式設計或可重構的超表面與 AI 結合時，它們之間的資料流會形成一個循環。AI 負責獲取和處理光學資料，並調控可程式設計超表面的重構。
這使得超表面可以從一個普通的光學衍射元件演變為一個智慧元件，理解輸入資料並自行給出實時響應。
AI 賦能的智慧可程式設計超器件概覽
(a-c) 智慧成像器
(b) 16 個輻射模式和機器學習產生的對應的模式
(c) 兩個案例在不同測量次數（100、200、400 和 600）下的機器學習驅動的成像結果
(d) 智慧成像儀和識別器
(e) 一個智慧斗篷 (cloak)
除以上討論的智慧超器件外，一種由 AI 驅動的可程式設計超表面還可以實現實時複雜波束成形，並形成三維感知。
超器件時代或將來臨
美國諮詢公司 Lux Research 關於新興光學和光子技術的報告顯示，超光學材料已經做好初步商業部署，並且將在 2030 年佔據價值數十億美元的市場。
以國際領先的超表面公司 Metalenz、NIL Technology 為例，其商業化進展包括：Metalenz 將超光學技術與半導體制造工藝相結合，在意法半導體 12 英寸晶圓代工廠內實現批量生產，並將超透鏡應用於意法半導體 FlightSense 系列 ToF 測距傳感器 VL53L8；NIL Technology 已構建一個完整的超透鏡產業鏈，包括設計、原型製作、測試和表徵以及製造能力，並實現了超透鏡的出貨。
當中值得關注是，就在今年，Metalen 宣佈獲得新一輪的 1000 萬美元風險投資，其聯合創始人兼 CEO 羅伯特·德夫林 (Robert Devlin) 表示「我們能夠在提高系統級性能的前提下，用單個超光學器件替換當前模組中多達 6 個傳統光學器件」。
可以窺見，以超透鏡為代表的超器件正從實驗室走向產業界，逐步成為光學前沿技術的熱點，並有望為光學產業帶來一場變革。而其中，AI 在超光學發展中起到了至關重要的作用。將 AI 應用於超光學，能夠解決複雜的光學設計，快速獲得問題的最佳解決方案，同時又能夠滿足新功能的需求，因此，可以肯定，這兩者的結合必將進一步有助於先進光學晶片的研究和開發，並推動下一代光學設備和系統儘快實現。
參考連結：
[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
