深度学习驱动超表面“隐身斗篷”

来源：两江科技评论

近年来，由于超材料的出现，隐身技术似乎露出了一丝曙光。近期，浙江大学陈红胜教授课题组和麻省理工大学的研究团队联合在国际顶尖期刊Nature子刊 Nature Photonics 发表论文，他们提出了一种隐身斗篷，采用深度学习驱动斗篷发展自我适应性，无需人工干预即可实现隐身。

基本原理

事实上隐身的概念要广泛得多，人的眼睛只能捕捉到发出或反射可见光频率范围内的电磁波的物体。而实际应用时，在不同的场景中，对于隐身有不同的要求。例如在声波、弹性波、热流、及在除可见光以外的其他电磁波段内无法被探测器感知，通通可以称之为隐身。

所以，理想的隐身技术应该是随着外界环境的不同、探测手段的不同，随时调整隐身策略以保证始终不可见。

目前比较常见的隐身技术的主要原理是利用超材料的特殊性质，精确设计超材料的结构参数，以引导被隐身物体周围的光线来实现隐身。但是这种隐身方式的弊端是需要笨重的材料和复杂的外部配套设备。

本文提出的隐身斗篷是一种由深度学习驱动的智能隐身斗篷，斗篷的主要材料是一种可调谐超表面。通过在微波频率下跨负载的变容二极管提供的不同的直流偏置电压，可以独立地调节超表面内部每个元素的反射特性。并且，嵌入了预先训练的人工神经网络，超表面隐身衣可以在毫秒级的时间内迅速响应不断变化的入射波和周围背景，而无需任何人工干预。可以实现超表面斗篷对随机入射波和背景具有有效且强大的自适应性。

创新研究

该隐身斗篷包括五个主要部分：可调的可重构超表面外壳，两个检测器（用于入射波和周围背景的探测），经过训练的人工神经网络和一个电源平台。

超薄超表面外壳由许多活性单位晶胞组成，每个单位晶胞提供不同的局部反射光谱，因此产生的散射波类似于裸露的环境在没有隐藏物体的情况下产生的散射波。变容二极管被集成到每个微结构中，并且其反射光谱可以通过输入不同的直流偏置电压来动态地改变。除此之外，还可以在其固有频率上采用门电路，机械制动，相变材料和磁光控制等技术手段。

超表面隐身在很大程度上依赖于共振元件的精确局部相位操纵，以重建散射光。因此，对于特定类型的结构或状态，这种斗篷通常只能某一在狭窄的带宽，有限的入射角和固定背景下工作。

当入射波或背景发生变化时，这种超表面披风可能会变得效率低下，甚至无法使用。本项研究中的隐身斗篷将实时检测影响隐身的因素，并转换为必须的局部反射光谱，作为人工神经网络（ANN）的一个输入信息。同时，由于超表面的强频率色散和非局部效应，将检测到的入射波设置为另一个输入，该入射波的特征在于其入射角，频率和极化。通过深度学习，将其关系概括为{入射波和反射光谱}→{偏置电压}。

经过训练的人工神经网络与超表面内部的二极管微结构结合使用，可以将该隐身斗篷应用于更为复杂的使用环境。

隐身披风的基本单位如图所示。两个相同的I形金属片放置于介电基板的顶部，并且在它们之间装有微波变容二极管。由于变容二极管的电容在不同的偏置电压下会发生变化，因此反射响应会相应地发生变化。

图中标注了微结构的具体参数：容二极管焊接在金属分裂的I形的中心，平行于电场?。基材的相对介电常数为3.5，损耗角正切为0.003。b，SMV2019-079LF变容二极管的SPICE模型。c，等效电路模型，用于提取变容二极管的RLC参数，作为偏置电压和射频的函数。

为了使概念清晰明了，仿真使用TM偏振态进行。

对于每一个二极管微结构，提供范围为0至20V的反向直流偏置电压，以控制变容二极管的电容并调整反射光谱（反射相位在工作范围内几乎覆盖-180°至180°）。为了显示智能披风的工作原理，使用插入了预训练人工神经网络的FDTD算法来观察智能披风的瞬态响应。

在仿真中，具有随机余弦调制高斯波形的TM平面波入射在斗篷上。上图绘制了不同时间的波形和物理图像。在初始状态下，所有偏置电压均设置为零。随着时间的流逝，入射波与凸块相互作用，使散射波强烈扭曲，如图c所示。在约15 ms（实际响应时间）之后，检测器接收入射波信息，并将其馈送到预训练的ANN。后表面的披风被触发（图d）并使凸块不可见（图e）

选择介电常数为3.5，损耗角正切为0.003的F4B材料作为衬底。

下图a中提供了所制造原型的照片（使用常规印刷电路板技术制造）。超表面的尺寸为180×210×2mm3（24×28个晶胞）。这分为两个相同的部分。沿y方向的每一列（28个单元电池）共享相同的偏置电压。变容二极管焊接在金属分体式I结构之间。

通过实验测量了不同入射波和偏置电压下平坦超表面的反射光谱，作为训练样本。

使用约10,000个测量样本对微结构使用了{入射波和反射光谱}→{偏压}的关系对人工神经网络进行了训练，这些样本被分为训练，验证和测试集（80％，10 ％和10％）。输入经过标准化，混洗然后馈入网络，因为这种处理可以加快算法的收敛速度。均方误差（MSE）用于表示标准化输出与期望输出之间的损失函数，而训练集的损失用于生成梯度（纯学习）。根据验证集的性能设置超参数（例如，隐藏层数，神经元和学习率）；最终，选择了一个具有五个隐藏层和每层60个神经元的完全连接的网络。

图b中的插入表所示，三组的MRE均小于2.1％，并且彼此紧密匹配，这表明训练后的ANN平滑且几乎没有过度拟合。

因此，可以得出以下结论：经过预训练的ANN是可靠的，并且可以在这种情况下适用。

总结与展望

就本项研究而言，目前还存在着很多重大的难关有待克服。例如不断变换的使用场景对于用有限的样本进行归纳来说是一个巨大的挑战，尤其是对于图像识别和分类的应用而言。对于超表面隐身衣，背景信息可以体现在由超材料提供的一系列局部反射光谱中。在收集的数据集中对局部反射光谱进行了概括，并列举了所有情况。如果将背景或诱发的全反射光谱作为人工神经网络的输入，数据收集本身将非常麻烦且负担沉重，因为这将需要大量样本。

有研究显示，与传统的微电子相比，使用纳米光子电路和超表面的光学人工神经网络可以提高计算速度和功率效率。未来在这一个方向，可能会有着更深刻的研究和更广阔的应用。