[超表面论文快讯-97] Nature Communications-多物理场耦合下超表面频率迁移与逆向设计-浙江大学

栏目介绍： “论文快讯”栏目旨在精简地分享一周内发表在高水平期刊上的Metasurface领域研究成果，帮助读者及时了解领域前沿动态，如果对专栏的写法或内容有什么建议欢迎留言，后续会陆续开启其他专栏，敬请期待。

• 论文基本信息：
  标题：Frequency transfer and inverse design for metasurface under multi-physics coupling by Euler latent dynamic and data-analytical regularizations
  作者：Enze Zhu（浙江大学信息与电子工程学院）；
  Zheng Zong（浙江大学信息与电子工程学院）；
  Erji Li（浙江大学信息与电子工程学院）；
  Yang Lu（浙江大学信息与电子工程学院）；
  Jingwei Zhang（浙江大学信息与电子工程学院）；
  Hao Xie（浙江大学信息与电子工程学院）；
  Ying Li（浙江大学信息与电子工程学院）；
  通讯作者 Wen-Yan Yin（浙江大学信息与电子工程学院）；
  通讯作者 Zhun Wei（浙江大学信息与电子工程学院）

• 发表时间：2025年3月6日（2024年6月6日投稿，2025年2月25日接收）
  发表期刊：Nature Communications（JCR-Q1，IF=14.7）

• 论文快览：

  • 论文快览：

    解决的问题
    随着电子器件小型化与高功率化发展，超表面在多物理场（如电磁-热）耦合下的性能建模与逆向设计面临双重瓶颈。传统数据驱动方法依赖完整频率数据训练模型，但高频段数据因计算或实验成本高昂难以获取，导致模型泛化能力受限；现有研究多聚焦单一物理场响应，缺乏对多场耦合效应（如温度变化引起的材料参数漂移）的系统建模，尤其在高频外推与多目标协同优化场景中，现有方法无法兼顾计算效率与物理一致性，形成显著的研究空白。

    提出的方法
    本研究提出多物理场深度学习框架（MDLF），其核心整合多保真度深度算子网络、欧拉潜在动态网络及数据-解析混合反演网络。多保真度框架通过分层建模策略，利用单电磁仿真数据预训练基础网络，再通过残差学习融合多场耦合数据，降低对高成本多物理仿真的依赖；欧拉潜在动态网络构建隐变量空间动态方程，基于低频温度数据编码潜在状态演化规律，实现高频温度场外推；逆向设计中引入解析正则化与多场前向模型耦合约束，将谐振频率等物理先验嵌入数据驱动优化，解决非唯一性问题。

    实现的效果
    电磁响应预测相对误差为0.036，较单保真模型降低76.6%；高频温度外推误差为0.043，较传统DNN降低73.8%。逆向设计通过混合正则化将谐振频率误差降至0.0539，实验验证优化结构在8 GHz辐射下的峰值温度从347 K降至332 K。该框架在自由曲面与多层超原子等复杂结构上均实现误差小于0.05，且多保真策略减少90%高精度数据需求。

    创新点分析
    本研究属于算法创新，核心突破在于跨域建模与物理约束融合。首次将潜在动态网络应用于频率域外推，通过隐变量演化方程解决多场数据稀缺下的外推难题；多保真分层策略显著提升数据效率，降低多物理耦合建模成本；逆向设计中解析模型与数据驱动的协同优化机制，突破传统黑箱设计的局限性，为多目标协同设计提供新范式。

论文重要图文：

摘要：频率迁移是机器学习领域的关键挑战，其使研究者能够突破频谱特性带内分析的局限，实现带外预测。传统方法中，为预测特定频率点特性，需将目标频段纳入深度神经网络（DNN）的训练数据集。然而受限于测量或计算资源，部分频率的训练数据难以获取，该问题在多物理场场景中尤为显著。本研究提出包含多保真度DeepONet、欧拉潜态动态网络和数据解析反演网络的多物理场深度学习框架（MDLF）。在未知多物理场响应的条件下，通过动态调用欧拉潜态空间与单物理场信息，MDLF成功实现了参数化与自由形态超表面在不可见频段的泛化预测。进一步引入融合混合先验知识的反演方法实现超表面逆向设计。通过电磁-热（EM-thermal）耦合场景下的数值仿真与实验验证了该框架的有效性。

图1 | MDLF流程示意图，包含正向方法与逆向方法。R表示需求，Input-T表示超表面温度信息，G为几何结构，G’为预测G，T为温度，f为频率，SE表示单电磁（EM）仿真S参数，SM表示多物理场仿真S参数，S0 E为预测SE，S0 M为预测SM，T0 p为逆向方法预测温度，aðfÞ表示潜态空间，fR为谐振频率，f0 R为预测fR，SR = SM - SE。

图2 | 网络架构示意图。a 多保真度DeepONet结构，其中Net1预测特定f下几何结构G的SE（单电磁仿真S参数），Net2预测SE与SM（多物理场仿真S参数）之间的残差。FC表示全连接层。LE与LR分别表示Net1和Net2的损失函数。b 逆向设计模型结构，其中LG、LS、LT和LR分别表示几何数据、电磁正向模型、热力学正向模型及解析模型产生的损失。c 基于频率流开发的潜态动态网络，Net3用于更新潜态空间aðfÞ，Net4用于预测平均温度TðfÞ。LT表示Net3与Net4的损失函数。

图3 | 所提框架的数值仿真结果。a 多物理耦合全波仿真电磁响应、低保真模型Net1预测结果及多保真模型（Net1 & Net2）预测结果对比。b 非训练集测试：全波仿真与多保真模型预测结果对比。c 潜态动态网络预测平均温度与全波仿真对比，箭头连接不同曲线与对应纵轴。左侧为频率迁移10.2-14 GHz的参数化超表面结构。中部为频率外推11.2-14 GHz的自由形态高维超原子结构。右侧为顶层与底层采用自由形态高维结构的三层超原子。d 传统DNN方法与所提潜态动态网络温度预测平方误差对比，其中10 GHz以上结果为频率迁移。e 全波仿真、所提方法及传统DNN方法预测平均温度对比。

图4 | 数据解析驱动网络的实验结果。a 不同正则化权重训练逆向模型的验证集相对误差，括号内数值从左至右对应w1-w4。E1表示几何确定相对误差。E21与E22分别表示第一、第二谐振频率相对误差。E3表示电磁响应相对误差。E4表示平均温度相对误差。b 图a局部放大图，突出解析模型与热力学正向模型误差。c,d 本工作中解析驱动正则化的效果展示。e 目标电磁响应与逆向设计结果对比，目标响应为离散点连接折线。f 仿真获取真实电磁响应曲线时的逆向设计实例。

图5 | 逆向方法实现的多物理功能验证。a 相同目标电磁响应下，无Input-T训练（方案1）与有Input-T训练（方案2）逆向模型的电磁性能对比。b 方案1与方案2热力学性能对比。c 辐照3分钟后的方案1与方案2红外图像。d 样品四分之一位置（Line1）与二分之一位置（Line2）实测温度。

图6 | 逆向设计结构的实验结果。a 低功率输入（SE）下S21测量结果与仿真对比。b 高功率输入下温升测量结果。c 3.65 GHz红外照片。d 波导内高功率辐照下电磁响应测量。e 对比样品在高功率辐照下的电磁与热力学性能。

参考文献：

• Zhu, E., Zong, Z., Li, E. et al. Frequency transfer and inverse design for metasurface under multi-physics coupling by Euler latent dynamic and data-analytical regularizations. Nat Commun 16, 2251 (2025).
  DOI： https://doi.org/10.1038/s41467-025-57516-z

免责声明：
本公众号专注于超表面领域的最新研究动态、学术成果和技术应用分享。所有发布的内容和图片，均已标明来源，且仅供个人学术学习和知识积累使用，不得用于商业目的。如您发现任何版权或相关问题，欢迎通过邮箱 metasurface@126.com 联系我们，我们将尽快处理并协调相关事宜。