AI+超材料双向突破，浙大综述揭示超材料研究进展，登Nature子刊

人工智能的快速发展，为解决这些问题带来了新的希望。来自浙江大学的研究人员发表综述文章，系统梳理了 AI 与超材料（Metamaterials）的双向互动关系，揭示了「智能超材料（AI for Metamaterials）」和「超材料智能（Metamaterials for AI）」两个新兴研究方向的最新进展。该研究以「A guidance to intelligent metamaterials and metamaterials intelligence」为题，于2025年1月29日发布在Nature Communications上。

在电磁波调控的舞台上，超材料曾凭借其人工设计的亚波长结构，打破了自然材料的物理限制，实现了负折射、隐身斗篷等奇异现象。

然而，当工程师试图将这类「魔法材料」应用于动态环境时，却发现传统超材料如同精密的机械手表 —— 虽能精准运行，却无法根据环境变化自主调整。这种矛盾在自动驾驶、智能通信等实时场景中尤为突出，亟待新的技术范式突破。

电磁调控的革命与困境

超材料自20世纪末问世以来，凭借其独特的电磁波操控能力，迅速成为光学、声学、热学等多个领域的研究热点。通过精心设计其亚波长单元结构，超材料能够实现负折射、超分辨率成像、隐身等奇异现象。

然而，传统超材料的设计过程依赖于大量的数值模拟和实验验证，耗时且效率低下。与此同时，AI技术，尤其是深度学习，在图像识别、自然语言处理等领域取得了显著进展，展现出强大的非线性拟合和泛化能力。

正是基于这一背景，研究团队提出了将AI与超材料相结合的研究思路，旨在通过AI加速超材料的设计过程，并赋予超材料智能化的功能。

超材料和AI之间的双向交互。

AI for Metamaterials

AI在超材料设计中的应用主要体现在三个方面：正向预测、逆向设计和光谱关联。

正向预测，是指通过AI模型快速预测给定超材料的电磁响应，如反射、透射光谱等。传统的数值模拟方法虽然精确，但计算量大、耗时长。而AI模型则能够在短时间内完成大量计算，显著提高设计效率。

逆向设计则更具挑战性，其目标是根据用户期望的电磁响应，设计出相应的超材料结构。由于逆向设计存在「一对多」的映射问题，即多种结构可能产生相同的电磁响应，传统的优化算法往往难以找到全局最优解。

研究人员通过引入生成对抗网络（GAN）和变分自编码器（VAE）等生成模型，成功解决了这一问题。这些模型能够生成多种候选结构，并通过优化算法筛选出最优解。

深度学习支持的三种设计类别和正统网络结构。

光谱关联是另一个重要的研究方向，旨在通过低频频段的光谱信息推断高频频段的光谱响应。这一技术在实际应用中具有重要意义，例如在无需高成本检测设备的情况下，通过低频测量推断高频特性。

研究团队提出了一种生成-消除框架，通过生成网络产生多种候选光谱，再通过消除网络筛选出最优解。实验结果表明，该方法在太赫兹频段的光谱关联中表现出色，显著降低了高频模拟的时间成本。

相关链接：

https://www.nature.com/articles/s41467-023-40619-w

超表面光谱相关性。

Metamaterials for AI

超材料不仅受益于AI的驱动，还为AI提供了全新的计算平台。传统的电子计算受限于摩尔定律，面临着互联延迟和散热等问题。

超材料为基于波的计算（Wave-Based Computing）提供了一个全新的平台。这种计算方式利用电磁波的衍射、散射和干涉等物理特性，以光速进行信息处理，具有低功耗和天然的并行计算优势。更重要的是，它可以直接在物理空间中执行计算任务，避免了传统计算中电磁波与电信号之间的相互转换过程。

基于波的数学运算和逻辑运算。

波基神经网络（Wave - based Neural Network）是超材料智能的核心应用之一。通过设计超材料的结构，可以实现类似于人工神经网络（ANN）的矩阵乘法和非线性激活功能。例如，衍射神经网络（Diffractive Neural Network）通过多层衍射层对入射光进行调制，最终在输出层显示计算结果。

基于波的神经网络的架构。

智能超器件的实现与应用

智能超器件是智能超材料的最终目标，其核心在于实现「感知 - 决策 - 执行」的闭环系统。感知模块负责监测外部环境和超器件自身的状态；决策模块根据感知信息制定控制策略；执行模块则通过可重构超材料实现对电磁波的动态调控。

研究团队开发了一种自适应隐身「cloak」，能够根据环境变化自动调整其反射特性，实现毫秒级的自我适应。实验表明，该「cloak」在复杂环境中表现出极高的鲁棒性，为隐身技术的实际应用奠定了基础。