机器学习与光子学的交叉正在革新我们设计超表面及开发智能超表面器件的方式，如何快速实现跨场景超表面自适应性是智能超表面领域的关键问题之一。近日，浙江大学钱超研究员-陈红胜教授团队提出了一种基于“即插即用”内核的驱动方法，为加速超表面在不同场景中的自适应性提供了新思路。
传统逐步训练方法在面对复杂多变环境时暴露出明显的局限性，该工作展示了如何通过封装过去经验到一个内核中来迅速建立具有物理可解释性的神经网络。以隐形斗篷为例，进行了三阶段适应性验证：点对点、路径对路径、场景对场景，相比直接学习，显著提升了适应速度和性能稳定性（图1）。
图1. 基于“即插即用”内核的跨场景智能自适应超表面。
图2. “即插即用”的网络架构。对于每个设计过程，状态数据被输入到参与者网络中，以生成超表面设计策略，称为“动作”。然后，系统执行该动作并检测响应，这将提供与行动相关的下一个状态和相关奖励。评论家网络的功能是计算在相关状态下所选择的行为对应的期望回报。
通过在自主移动车辆上覆盖可调超表面，建立了一个完全智能的实验系统（图3），以隐形斗篷在不同环境下的训练效率来测试该方法有效性。超表面的可调性是通过有源单元结构实现，实验包括三个模块，状态采集模块接收散射数据，为网络提供输入状态，并检测其位置，用于车辆控制的运动决策；超表面控制模块生成并实现基于“即插即用”内核的超表面设计策略；车辆控制模块主导车辆的行驶指令，保证车辆正确行驶。
图3. 跨场景超表面的实验构建。
通过点对点、路径对路径、场景对场景三个渐进式阶段来验证隐身性能，如图4所示。随着场景的变化，使用“即插即用”内核所需的训练轮次与直接学习相比，从1/2进一步减少到1/3，说明在经历足够的跨场景学习后，可以实现在全新场景中的超表面实时逆向设计。此外，通过巧妙的超表面单元设计，实现了3.7 GHz到6.3 GHz宽带，相对带宽为50%（图5）。
图4. 自适应方法的三阶段实验验证。图中包含每一阶段验证自适应实验示意图、阶段内目标跨越测试的性能对比、每阶段训练过程中时间成本的变化。
图5. 宽带超表面适应性。
这项成果不仅为智能超表面的设计开辟了新的途径，也为解决更多实时问题提供了可能。尽管每个设计方法都会面临无序环境带来的挑战，但一旦初始场景得到训练，后续的任务就能被高效加速。通过扩展存储和增加网络参数，该方法能更快地捕捉到关键场景的变化，展现出更大的灵活性和适应性。此工作代表了跨场景超表面适应性的典型例证，即插即用策略将促进其他设备在移动通信、多功能传感和体内成像方面的发展。
此项工作以“Accelerating cross-scenario metasurface adaptability with plug-and-play kernel”为题发表在Advanced Functional Materials期刊上，博士研究生吴南轩为第一作者，钱超研究员和陈红胜教授为通讯作者。
原文链接：
https://advanced.onlinelibrary.wiley.com/doi/10.1002/adfm.202502678?af=R
N.Wu, C. Qian, Z. Wang, X. Zhu, C. Xiao, E. Li, H. Chen, Accelerating cross‐scenario metasurface adaptability with plug‐and‐play kernel. Adv. Funct. Mater. 2502678 (2025).
