浙江大学AFM：“隔空隐身”，超表面+深度学习，告别传统隐身技术几何依赖！

解决的问题：传统基于超表面的隐身技术需将精心设计的结构直接附着于被隐藏物体表面，高度依赖物体几何形状，严重限制其移动性与环境交互能力。现有远程隐身设备因材料复杂和实验环境限制，多仅能在单一频率或窄带工作，难以实现宽带隐身。本文致力于解决这些局限性，实现宽带远程隐身。

提出的方法：提出一种融合深度学习与微分进化算法（DDE）的宽带远程超表面设计系统。利用优化的电磁数据集构建神经网络模型，建立多层谐振单元与反射参数间的快速映射；通过微分进化算法持续调整超表面结构参数，实现面向目标的宽带超表面设计，以达成远程隐身效果。

实现的效果：模拟和实验结果表明，所设计的宽带超表面装置可在 8–18 GHz 频率范围内有效实现远程隐身。将不同大小的物体随机放置在装置前，系统均展现出优异的隐身性能，远场雷达散射截面（RCS）显著抑制，物体散射信号大幅降低，且该效果在宽带电磁波入射下得以维持。

创新点：将深度学习与微分进化算法相结合，构建了高效的超表面设计框架。无需将超表面紧贴物体，即可实现远程隐身，突破了传统隐身技术对物体几何的依赖。该方法能有效处理复杂的宽带电磁响应，为宽带隐身技术提供了新范式，也为智能隐身、传感器隐藏等复杂电磁控制场景提供了新思路。

研究成果以题为 “Neural Network-Assisted Metasurface Design for Broadband Remote Invisibility” 发表于《Advanced Functional Materials》上。浙江大学Huan Lu为论文第一作者，浙江大学Jiwei Zhao、Rongrong Zhu和Bin Zheng为论文共同通讯作者。

摘要：传统基于超表面的隐身技术通常涉及将精心设计的结构直接附着在待隐藏物体的表面，这使得该方法高度依赖物体的几何形状，并严重限制了其移动性和环境交互能力。在这项工作中，提出了一种使用深度学习和微分优化设计的宽带隐身装置，能够隐藏与超表面有一定距离的物体。该装置同时在X波段和Ku波段实现了远程隐身。采用深度学习模型高效模拟单元的电磁响应，而微分优化算法则针对各种任务定制设计以获得最佳单元配置。为了验证该方法的有效性，将不同大小的物体随机放置在装置前面，系统在8–18GHz 频率范围内始终表现出优异的隐身性能。这项研究展示了超表面对宽带电磁波的精确控制，并为其他智能光学器件的开发提供了新的见解，如智能聚光器和光学伪装系统。

结论：在本研究中，我们提出了一种新颖的宽带远程超表面设计方法，该方法集成了深度学习和微分进化算法（CND）。通过利用深度学习模型对超表面单元的电磁响应进行快速仿真，并结合微分进化算法对设计参数进行优化，我们成功实现了金属物体的宽带远程隐身。实验结果验证了所提出的三层谐振超表面在 8–18 GHz 频率范围内有效调制电磁波的传播特性，使金属物体能够实现远程隐身。不同频率下的对比实验表明，该超表面在整个频率范围内保持了稳健的隐身性能。这项工作不仅突出了宽带超表面对电磁波的精确操纵，还为超宽带隐身技术引入了一种新的设计范式。深度学习和优化算法的协同使用具有重大的潜力，在智能隐身、增强传感器隐蔽性和改善通信系统隐私等复杂电磁控制场景中具有广泛的适用性。

图1：宽带超表面实现远程隐身的原理和场景。

图2：正向训练网络和逆向优化架构流程。

图3：模拟结果。

图4：实验装置设置。

图5：近场实验设置和电场结果。

图 6：远场实验设置和 RCS 结果。

图 7：超表面调控下两种不同金属散射体的实验结果。

文章信息：

H. Lu, J. Zhao, P. Zhu, W. Song, S. Zhu, R. Zhu, B. Zheng, H. Chen, Neural Network-Assisted Metasurface Design for Broadband Remote Invisibility. Adv. Funct. Mater. 2025, 2506085.

https://doi.org/10.1002/adfm.202506085