撰稿|由课题组供稿
近年来，机器学习与材料设计作为一门新兴的交叉学科引起了众多研究者的关注。作为实现人工智能的重要方法，机器学习专门研究计算机怎样模拟或实现人类的学习行为，重新组织示例数据或过去经验，以获取固有规则和新的知识技能，不断优化性能。随着超材料的快速发展，如何快速高效的设计超材料引起了研究者们的广泛关注。
超材料是一类具有特殊性质的人造材料，其可以改变光、电磁波的部分属性。而这样的效果源于其精密的几何结构以及尺寸大小，这是传统材料无法实现的。合理设计超材料的几何结构对电磁功能的实现具有重要的研究意义。超表面是超材料的二维对应，其由小散射体的周期或准周期阵列组成，已成为人工表面中最活跃的类型之一。超表面的组成单元也属于亚波长，通常被称为超单元，其类似于自然界中的原子或分子。超表面对电磁波的调制不再依托于传播相位的空间积累，而是依赖于强共振或超单元的空间取向改变所产生的相位突变。因此，超表面可以用来控制自由空间中反射/透射波的相位、振幅和极化等属性。近年来，研究者们提出了许多功能独特的超表面来控制电磁波的属性。由于超表面在操纵电磁波方面具有很高的自由度，因此在工程中具有广泛的应用价值，并吸引了诸多学者和工程师的广泛关注。传统的超表面设计通常需要具有超表面设计专业知识的专家参与，而且设计和优化这一过程是相当耗时的。设计过程主要可以总结为以下四个步骤：由设计者确定基本模式的超材料单元，利用计算机仿真扫描不同几何结构单元的电磁响应，选择所需电磁响应的单元结构，将所选择的单元结构按照指定规律排布。在这四个步骤中，人的参与是必不可少的且占据主导地位的。此外，在参数扫描过程中，需要进行大量的迭代才能得到一个合适的结构单元以获得满意的电磁性能。因此，整个设计过程通常是非常耗时的。由于超材料设计的专业知识是必不可少的，因此，外行用户离不开专家的帮助，这抑制了超材料在实际工程中的快速应用，特别是对于非专业人员。随着人工智能领域的迅猛发展，与之相关的应用逐步渗透到各行各业，传统的超材料设计依靠专家学者们通过物理机理的分析，推算出合理的结构和参数，而机器学习算法的出现可以有效的简化这一过程，为快速设计提供便利。
作为实现人工智能的重要方法，机器学习专门研究计算机怎样模拟或实现人类的学习行为，重新组织示例数据或过去经验，以获取固有规则和新的知识技能，不断优化性能。更确切地说，机器学习的基本任务为预测和分类：计算机被要求使用特定算法研究大量预先给定的数据，以便总结和推断关于任务的基本规则；在此基础上，一旦给出新数据，计算机就能够根据归纳规则做出合理的判断。在过去的几年里，随着数据科学的快速发展以及计算机运算性能和存储能力的不断提高，机器学习的应用已从计算机视觉，语音识别和机器人等计算机科学领域扩展到社会学、医学、心理学和农业等领域。
迁移学习是一种基于深度学习的机器学习新框架。深度学习是机器学习的典型方法之一，在分类、回归、聚类等方面都取得了很高的成就。然而，传统的深度学习只适用于训练数据和测试数据具有一定特征空间和分布的任务。如果特征空间或分布发生变化，该模型可能不适合新任务。在这种情况下，需要对深度学习网络进行再训练，这需要花费大量额外的时间和数据。在许多实际场景中，获取海量的数据对深度学习网络进行再训练是非常耗时的，而在数据不足的情况下对深度学习网络进行再训练的实际操作难度太大。而迁移学习的出现，恰好解决了这一问题，对已经训练好的网络架构进行结构的迁移，可以实现网络参数的共用，进而实现知识的共享。图1显示了文章的主要设计思想，通过使用迁移学习网络实现了将图像识别领域知识迁移到超表面设计中，通过建立相位库的方式可以进一步实现对功能超表面的逆向设计。
图1 基于迁移学习的超表面设计示意图
文章提出了一种基于迁移学习的功能超表面的逆向设计方法，实现了快速精确设计功能。迁移学习可以将一个训练过的模型转移到一个新的任务。将Inception V3模型应用于超表面设计，成功地将图像识别领域的知识转化为超表面设计领域的内容。利用收集到的数据对迁移学习模型进行再训练，得到了预测超单元相位的新模型，准确率可达90%左右。数据集由均匀分布的随机函数生成，总体的相位分布满足正态分布。在随机抽样条件下，获得了较高的精度。它为利用其他领域的知识设计超表面提供了一种新的设计思路。对于给定的功能超表面，所期望的相位剖面可以作为迁移学习网络的输入得到超单元结构。迁移学习是对数据进行再训练，将原始模型转移到新的任务上的一种较好的方法，可以有效地减少人力资源的消耗，减少训练时间，提高预测的准确性。经过训练的迁移学习网络可以按照相位剖面的需求，快速生成整个超表面图案，从而实现了各种功能超表面的快速、准确设计。与传统方法相比，该方法是一种预测超单元相位的有效方法，可以建立完整的全相位跨度的超单元库，可用于设计功能超表面。
该项研究成果以“Phase-to-pattern inverse design paradigm for fast realization of functional metasurfaces via transfer learning” 为题发表在Nature Communication上。
本文通信作者为空军工程大学人工结构功能材料与器件陕西省重点实验室的王甲富教授、随赛博士、屈绍波教授和新加坡国立大学的仇成伟教授，第一作者为空军工程大学博士研究生朱瑞超和邱天硕博士，合作者有新加坡国立大学郝成龙博士（现为迈塔兰斯科技有限公司总裁），空军工程大学博士研究生生刘同豪、李勇峰副教授、冯明德副教授以及西安交通大学张安学教授。
文章链接
https://www.nature.com/articles/s41467-021-23087-y
免责声明：本文旨在传递更多科研资讯及分享，所有其他媒、网来源均注明出处，如涉及版权问题，请作者第一时间后台联系，我们将协调进行处理，所有来稿文责自负，两江仅作分享平台。转载请注明出处，如原创内容转载需授权，请联系下方微信号。
