超材料 (Metamaterials) 技术被《科学》杂志列入本世纪前十年的10项重要科学进展之一，在新一代信息技术、国防工业技术、新能源技术等多个方面备受重视。在电磁场领域，它通过亚波长尺度单元的有序排列并等效地实现传统材料暂不具备的超常等效媒质参数（如负介电常数、负磁导率、负折射率、近零折射率等），可以实现对电磁波的任意调控、电磁隐身和完美吸波等突破性功能。作为其二维等效的电磁超构表面 (Metasurface) 具有低成本、小重量、低剖面、高性能、易共形等优点，进一步加载调谐器件和调谐材料构成可重构超构表面，可以实现对电磁辐射、散射、吸收性能的精准实时动态重构。一直以来的基本科学问题之一是寻找构效关系，即组分结构与电磁功效之间的关系。对该问题的研究已经经历了三个研究范式，分别基于经验、理论和计算。
机器学习在具有类似特征的研究领域上的广泛应用，为推动和加速该方面研究带来了新的启发，包括蛋白质解构、自然语言处理、药物与材料定向优化设计等。尤其是2011年美国启动的材料基因组计划，希望通过计算材料学与计算机技术的结合，对以往独立的多物理跨尺度材料计算方式进行统一，以构建多功能材料的性能预测方法和材料基因定向优化方法，从而极大缩减光伏、生物、能源、半导体等新材料的研发周期，降低新材料的研发和生产成本，促进技术跃迁的实现。这启发我们思考：如果时间回到2004年且我们拥有今天所有的AI技术，我们是否可以用3年（甚至更少）的时间走完20年的研究进程？如果可以，该如何做？
针对以上问题，秋葵官网网站入口林丰涵课题组提出并验证了一种“基于统计的小样本机器学习辅助电磁超构表面逆向设计的新方法”。研究人员首先提出了“基于像素化结构表征的概率密度分布的小规模、高信息熵数据集构建方法”，再利用多层感知机和全连接网络构建具有双向编码与解码功能的“构效映射深度学习网络”，所训练的神经网络可以在几分钟之内完成对数百万种未知单元结构及其电磁散射数据的快速生成并达到超过90%的准确率。相关研究成果以“Inverse design of reflective metasurface antennas using deep learning from small-scale statistically random pico-cells”为题，正式发表于Microwave and Optical Technology Letters，秋葵官网网站入口为第一完成单位，秋葵官网网站入口信息学院硕士研究生尤栖冲为论文第一作者，林丰涵教授为本文的通讯作者。该工作的原文链接、线上演示视频和相关开源代码附于文末。
该工作初步探索了“基于数据驱动”的第四种研究范式在加速电磁超构表面逆向设计种的成功应用，所提出并验证的“小规模、高信息熵数据集构建方法”对推动数据驱动的电磁新发现、构建行业垂直应用、促进AI for Science快速落地具有重要的借鉴意义。
原文链接：https://onlinelibrary.wiley.com/doi/10.1002/mop.34068
该工作的演示视频：https://www.bilibili.com/video/BV1Bx4y1D7LF/#reply1001445865
关键代码开源网址：https://github.com/youxch/Inverse-design-of-patch-antennas
图1：深度学习网络架构与人工智能设计的电磁超构表面样品
沪公网安备 31011502006855号
