东南大学Advanced Science：物理驱动智能设计范式，解决多自由度复用超表面设计难题

解决的问题：传统超表面设计方法效率低，智能设计存在数据稀缺等问题，限制了多自由度复用超表面发展。

提出的方法：提出物理驱动智能设计（PDID）范式，将物理先验知识融入深度神经网络设计多自由度复用超表面。

实现的效果：减少设计时间和数据库规模，实验验证其多功能性和计算效率，能精准灵活地进行近场调控。

创新点：融合物理知识与机器学习，提高物理可解释性，增强泛化能力，为跨学科应用提供新思路。

研究成果以 “Multi-Dimensional Multiplexed Metasurface for Multifunctional Near-Field Modulation by Physics-Driven Intelligent Design” 发表于《Advanced Science》上。东南大学Jian Lin Su、Zi Xuan Cai、Yiqian Mao 为论文共同第一作者，东南大学Tie Jun Cui、Jian Wei You为论文共同通讯作者。

摘要：超表面是通过人工设计超原子排列来实现所需特性的革命性平台。然而，具有多个自由度（MDOF）的先进超表面设计空间急剧扩大，使传统人工引导设计方法日益失效，限制了超表面的发展。本文提出一种物理驱动智能设计（PDID）范式，并展示其在设计 MDOF 复用超表面中的应用。PDID 方法将物理先验知识整合到深度神经网络中，从而增强其物理可解释性，减少对大量数据库的依赖。与传统智能设计相比，该方法可将设计时间和数据库规模减少两个数量级。通过对 MDOF 复用超表面的实验验证，展示了 PDID 的多功能性和计算效率。该方法不仅提供了一种新颖的智能设计工具，还体现了物理知识与机器学习的融合以应对挑战。其跨学科见解为材料科学、计算科学和信息技术的创新应用提供了巨大潜力。

结论：在本研究中，我们引入了一种用于设计多自由度复用超表面的新型物理驱动智能方法，展示了其在精确灵活的近场调控方面的潜力。通过耦合模式理论将物理先验知识整合到神经网络框架中，与传统数值方法和数据驱动的智能设计相比，所提出的 PDID 方法显著降低了计算成本，增强了设计的多功能性。我们的实验验证，包括角度复用聚焦、偏振复用全息和大规模空间复用超表面，证实了所提出的 PDID 方法的高精度和高效率。这种跨学科方法不仅解决了复杂 MDOF 超表面设计的挑战，还为电磁隐身、实时超表面重构和先进光学系统的实际应用提供了可扩展的解决方案。此外，PDID 框架可为多模谐振超原子的设计提供有价值的见解。目前 PDID 中采用的 CMT 算法主要关注单模行为。未来的工作可以引入具有多模行为的先进 CMT 算法，并扩展 PDID 框架。PDID 的成功实施凸显了将物理见解与机器学习相结合的潜力，为计算科学和材料工程的未来创新铺平了道路。

图1：MDOF 复用超表面及其 PDID 方法示意图。

图2：基于 PDID 的超表面近场操纵优化。

图3：基于 PDID 的近场预测。

图4：所提出的 PDID 与传统数值和数据驱动的人工神经网络（ANN）方法的性能比较。

图5：由 PDID 设计的 MDOF 复用超表面的实验验证。

文章信息：

J. L. Su, Z. X. Cai, Y. Mao, L. Chen, X. Y. Yu, Z. C. Yu, Q. Ma, S. Q. Huang, J. Zhang, J. W. You, T. J. Cui, Multi-Dimensional Multiplexed Metasurface for Multifunctional Near-Field Modulation by Physics-Driven Intelligent Design. Adv. Sci. 2025, 2503899.

https://doi.org/10.1002/advs.202503899