导读

光计算因其低时延、低功耗以及多维并行处理能力，在多种应用场景中展现出重要潜力。然而，现有的衍射神经网络（DNNs）普遍缺乏可重构性，限制了光计算系统的可扩展性。受活字印刷技术的启发，本文提出了一种“活字式”编码可重构超表面，可实现电磁计算、全息成像和感知等多种功能。通过将所提出的超表面进行多层级联，进一步构建了一种“活字式”可重构衍射神经网络（MT-RDNN），该网络仅需替换最后一层隐藏超表面中的超表面单元，即可在手写数字和字母识别任务之间实现迁移并取得较高识别精度。此外，单层活字式编码超表面还可通过模块化的超表面单元重排机制，实现电磁全息成像和非接触式人体生命体征感知等功能。凭借其简便的重构方式、高度的灵活性以及模块化可扩展性，所提出的“活字式”编码超表面为可重构的电磁计算、全息成像和感知应用提供了一种通用而高效的解决方案。相关研究成果以“Multifunctional Movable-Type Coding Metasurface Enabling Reconfigurable Diffractive Neural Networks”，为题发表于《Light: Science & Applications》。

研究背景

近年来，微波波段的电磁衍射神经网络作为智能电磁计算领域的新兴前沿方向发展迅速，尤其在空间架构、平面结构、芯片等实现平台中，该技术在逻辑运算、目标检测、动态跟踪、到达角估计等任务中展现出巨大应用潜力。当前的超表面在电磁计算中的研究主要集中于光电和热调制技术，这些技术通过电、热或光刺激改变超原子的光学响应。然而，这些方法的局限性在于需要针对特定频段定制材料。此外，多功能可重构超表面通常面临高成本、复杂的制造过程、高功耗以及复杂的控制系统，这些因素限制了它们在电磁衍射神经网络中的应用。相比之下，机械可重构超表面通过简单的机械操作，如超原子的旋转或翻转，提供了一种更简单、更具灵活性的动态电磁控制解决方案。尽管如此，机械可重构超表面的研究仍主要集中于反射波和表面波的操控，而常用于电磁计算的透射型和级联机械超表面相对较少。此外，现有的机械可重构超表面设计对超表面单元的旋转角度有严格要求，这使得重构过程变得复杂，制约了其快速部署。因此，开发可灵活组装和重复使用的机械可重构超表面，以提高衍射神经网络的效率和可扩展性，变得尤为必要。

研究亮点

本文提出了一种受古代中国活字印刷技术启发的可重构透射超表面结构。该设计采用可拆卸、模块化的超表面单元结构，以八类具有不同电磁响应的超原子作为功能“模具”，并通过机械方式实现灵活排布重组，从而显著提升超表面的可重构效率并降低制造成本，如图1所示。得益于其可重构与可重复使用的特点，所提出的活字式编码可重构超表面支持多种电磁功能，尤其能够通过多层级联构建可重构的衍射神经网络。

图1：用于多种电磁功能的活字式可重构超表面。a 受活字印刷术启发所设计的八类超表面单元；b 所提出的 3 比特活字式编码超表面的结构示意图；c 活字式编码超表面所实现的多种功能，包括用于电磁计算的 衍射神经网络MT-RDNN、电磁全息成像以及非接触式人体生命体征感知功能。其中，MT-RDNN 由一个输入层、三层活字式编码超表面隐藏层和一个输出层组成。

为验证该方法的可行性，研究团队通过多层级联的方式构建了一种可重构的衍射神经网络（MT-RDNN）。仅替换少量超表面单元，MT-RDNN 即可快速适应新的任务，表现出优异的任务灵活性与可重构能力。如图 2 所示，该网络实现了对手写数字的高精度分类。在此基础上，图 3 进一步引入迁移学习策略，仅通过调整少量最后一层隐藏层单元，即可完成从手写数字到手写字母分类任务的迁移。测试结果表明，所提出的 MT-RDNN 在保持高识别精度的同时，具备良好的泛化能力和任务迁移性能。

图2：MT-RDNN在手写数字分类中的训练过程及实验验证。a 手写数字分类的训练损失曲线和验证准确率曲线；b 验证集上的混淆矩阵；c 三个隐藏层的优化编码分布；d 用于手写数字分类的MT-RDNN实验装置图；e 手写数字的实测混淆矩阵结果；f 部分分类结果及对应的电场分布。

图3： MT-RDNN 在任务自适应中的实验结果。a 基于迁移学习的任务自适应示意图，展示了 MT-RDNN 从手写数字识别向字母分类任务的迁移过程；b 通过微调 MT-RDNN 第三隐藏层获得的英文字母识别任务的训练损失与验证准确率曲线；c 采用基于梯度下降（GD）的迁移学习方法微调后的 MT-RDNN 混淆矩阵；d 遗传算法（GA）、梯度下降（GD）和逐层微调策略（TFS）在识别准确率和超表面单元重构数量方面的性能对比；e 采用基于 GD 的迁移学习方法微调后的三层隐藏层编码分布图。f 用于英文字母分类的 MT-RDNN 实验系统搭建示意图；g 手写字母识别任务的混淆矩阵结果；h 实验分类结果及其对应的电场分布。

此外，单层活字编码超表面亦可实现灵活波前调控，支持全息成像（图4）和非接触式人体生命体征感知（图5）等多种电磁应用。例如，通过选择性的重构部分超表面单元，即可实现电能量在不同空间位置的动态聚焦，以提高生命体征检测的信噪比和准确度。这种模块化、可重构的设计显著提升了超表面和微波衍射神经网络的多功能性、可复用性和易部署性，为构建低功耗、可扩展、任务自适应的智能电磁系统提供了有效解决方案。通过将活字印刷的模块化与可重构超表面设计相结合，本文提出的可重构透射超表面为电磁计算和智能系统提供了一种灵活、可扩展且低成本的设计范式。

图4：用于电磁全息成像的单层活字式编码超表面。a 基于梯度下降（GD）的电磁全息优化流程图；b 电磁全息成像实验系统搭建示意图；c 用于生成全息图像 “T” 的优化编码分布；d-e 字母 “T” 的仿真与实验全息重建结果；f 用于生成全息图像 “CM” 的优化编码分布；g-h 字母 “CM” 的仿真与实验全息重建结果。

图5：用于人体生命体征感知的单层活字式编码超表面。a 基于单层活字式编码超表面的人体呼吸监测技术流程图；b 非接触式生命体征感知实验系统搭建示意图；c 在位置 1 对 Bob 进行生命体征监测的实验照片；d–e 将电磁波聚焦于 Bob 胸部时的优化编码分布及其对应的电场分布；f 提取的 Bob 呼吸信号及呼吸速率估计结果；g 在位置 2 对 Tom 进行生命体征监测的实验照片；h–i 将电磁波聚焦于 Tom 胸部时的优化编码分布及其对应的电场分布；j 提取的 Tom 呼吸信号及呼吸速率估计结果。

总结与展望

本研究提出了一种基于活字式编码超表面的可重构透射型衍射神经网络（MT-RDNN），通过可拆卸、可复用的超表面单元实现了电磁神经网络的高效重构与任务自适应，突破了传统 DNN 结构固化、任务迁移能力受限的瓶颈。该架构将物理层迁移学习从层级替换拓展至单元级重构，在显著降低计算优化与物理重构成本的同时，实现了多任务间的高精度迁移，并在电磁计算、全息成像和非接触式生命体征感知等多用电磁应用中得到实验验证。实验结果表明，通过模块化单元设计与高效重构策略，MT-RDNN 展现出良好的可扩展性、实用性与多功能潜力。未来可进一步探究机械重构与电控、光控等混合调控机制，进一步提升系统响应速度和集成度，为构建低功耗、可重构、任务自适应的智能电磁系统提供新的发展路径。（来源：LightScienceApplications微信公众号）

相关论文信息：https://doi.org/10.1038/s41377-026-02216-6