近日，北京理工大学集成电路与电子学院司黎明教授课题组与上海交通大学朱卫仁副教授、清华大学杨帆教授合作，提出了一种混合人工智能（Hybrid AI）的超表面逆向设计方法，实现了从单元结构参数到阵列级排布方案的端到端自动化高效设计，显著提升了复杂电磁超表面的设计效率与性能可控性。利用该混合人工智能逆设计方法，成功设计并制备了一种兼具光学透明特性与超宽带雷达散射截面减缩能力的超表面。相关工作以 “Hybrid Neural Network-Driven Inverse Design of Metasurface for Ultra-Broadband RCS Reduction” 为题，发表在《IEEE Transactions on Antennas and Propagation》上。北京理工大学博士生牛荣为论文第一作者、司黎明教授为论文通讯作者。该研究工作得到国家自然科学基金 (批准号: 62571049、 62271056、62171186、62201037)、国家市场监督管理总局专项（批准号：AKYKF2423）、北京市自然科学基金-海淀原始创新联合基金（批准号：L222042）、河北省自然科学基金（批准号：F2025105029）、毫米波国家重点实验室开放课题（批准号: KN20250214）、高等学校学科科研创新引智计划项目（批准号：B14010）等支持。
图1 混合人工神经网络逆设计超表面示意图
随着现代雷达探测技术的快速发展，飞行器等高价值目标在复杂电磁环境下面临的探测与识别能力不断增强，对隐身性能提出了更为严苛的要求。作为实现雷达散射截面（Radar Cross Section, RCS）减缩的重要技术手段，超表面凭借其在亚波长尺度上对电磁波幅度、相位及极化态的精确调控能力，展现出广阔的应用前景。然而，高性能、超宽带隐身超表面的设计仍面临显著挑战：一方面，传统超表面单元结构设计高度依赖参数扫描与全波电磁仿真，设计周期长、计算成本高；另一方面，面向大规模阵列的排布优化问题具有高度离散性与组合复杂性，其搜索空间随阵列规模呈指数级增长。现有遗传算法、粒子群优化等启发式方法不仅计算效率受限，而且易陷入局部最优解，难以满足超宽带、高性能隐身设计的实际需求。
针对上述关键瓶颈问题，本研究提出了一种混合人工智能（Hybrid AI）驱动的超表面逆向设计框架。该框架创造性地将串联神经网络（Tandem Neural Network, TNN）与深度 Q 网络（Deep Q-Network, DQN）相结合，分别用于解决连续变量主导的单元结构参数逆向设计与离散变量主导的阵列排布全局优化问题。通过在统一设计框架中协同引入电磁吸收、极化转换与相位对消等多物理机制，实现了兼具光学透明特性与超宽带电磁隐身性能的超表面结构设计，为复杂电磁功能器件的智能化设计提供了一种高效、可扩展的新范式。
图2 混合人工智能逆设计流程图
1)串联神经网络实现最优单元快速逆向建模
针对超表面单元结构参数逆设计效率差，研究团队构建了包含前向预测模型和逆向设计模型的串联神经网络。前向模型用于快速预测单元的复反射系数，逆向模型则根据目标吸收转换率（ACR）反推几何参数。为了提升精度，采用均方误差（MSE）作为损失函数对网络进行训练。该 TNN 模型在约 45 分钟内实现快速收敛，即可精准完成满足特定频带电磁响应需求的 1-bit 编码超表面单元（“0/1”单元）设计，有效实现了对电磁波吸收与极化转换特性的协同调控。
2)深度 Q 网络强化学习全局优化大规模阵列布阵
在阵列排布优化层面，研究团队将传统组合优化问题重构为强化学习过程。具体而言，将超表面阵列的整体编码状态定义为环境状态，将单元编码翻转操作定义为智能体动作，并以 10 dB 雷达散射截面减缩带宽作为奖励函数，构建完整的强化学习环境。智能体（Agent）通过与环境的持续交互，基于贝尔曼最优方程不断更新 Q 值，从而学习能够最大化 RCS 减缩带宽的最优排布策略。相比传统遗传算法与粒子群优化方法，所提出的 DQN 方法在高维、离散、非凸二进制搜索空间中表现出更快的收敛速度、更强的鲁棒性与全局寻优能力，成功挖掘出超越传统经验设计的非周期性复杂阵列排布方案。
3)混合人工智能逆设计光学透明超宽带隐身超表面验证
基于所提出的混合 AI 逆向设计框架，研究团队设计并制备了光学透明超宽带隐身超表面。该结构采用聚对苯二甲酸乙二醇酯（PET）与氧化铟锡（Indium Tin Oxide, ITO）料体系，在保证电磁性能的同时，实现了优异的光学透明特性。电磁测试结果表明，该超表面在 3.7 GHz–18.7 GHz 的超宽频段内实现了超过 10 dB 的 RCS 减缩，相对带宽高达 133.9%。此外，在 0°–45° 斜入射范围内，无论是 TE 还是 TM 极化波，该超表面均保持稳定且一致的宽带隐身性能，充分验证了所提出混合 AI 逆设计方法在复杂电磁环境下的可靠性与工程适用性。
图3 混合人工智能逆设计超表面实验验证
本文提出并实验验证了一种面向超宽带雷达散射截面减缩超表面设计的混合人工智能网络框架。该方法通过有效解耦连续参数主导的单元结构逆向设计与离散状态主导的阵列排布全局优化问题，分别引入串联神经网络与深度 Q 网络，系统性地突破了传统电磁逆向设计中计算效率受限与全局寻优能力不足的双重瓶颈。实验与测试结果表明，基于该框架设计的光学透明超表面在RCS 减缩带宽、斜入射角稳定性以及光学透过性能等关键指标上均表现出优于现有同类方案的综合性能优势。
所提出的混合人工智能逆设计具有良好的通用性与可扩展性。一方面，该方法可直接拓展应用于新一代飞行器座舱盖、透明天线罩及太阳能电池板等兼具光学透明与电磁隐身需求的典型场景；另一方面，其统一的智能设计框架亦为多功能、可重构及有源超表面系统的协同优化与快速设计提供了可行路径。总体而言，本研究展示了人工智能技术在复杂电磁系统设计中的巨大潜力，有望推动电磁隐身与智能电磁调控技术向更高效、更智能、更体系化的方向持续发展。
文章信息：
Niu R, Si L M, Zhu W R, Bao X, Zhu K Q, Sun H J, Yang F. “Hybrid Neural Network-Driven Inverse Design of Metasurface for Ultra-Broadband RCS Reduction”, IEEE Transactions on Antennas and Propagation, DOI: 10.1109/TAP.2025.3621515, 2025.
文章链接：
https://doi.org/10.1109/TAP.2025.3621515
撰稿|课题组
