近年來，超表面結構的光學技術開始受到越來越多關注，超表面是一種二維超材料，它可以在亞波長範圍內，靈活調控入射光的振幅、相位和偏振，具有強大的光場操控能力，並且可實現傳統光學不具備的功能。由於這種電磁波靈活調製的特性，超表面可以有多種用途，比如超材料完美吸收器（MPA）、隱形裝置、平面超透鏡和超表面全息顯示等等。
超表面技術在開發和改進光學、微波器件方面體現出很好的效果，也豐富了全息方案的設計和應用場景。比如製造薄如髮絲的微型透鏡（Metalens），應用於攝影機、醫療器械、車載傳感器/雷達、AR/VR、全息顯示等場景。不過，由於工藝複雜等因素，目前還不適合大規模生產。
為了改善上述情況，中國人民解放軍空軍工程大學的科研人員提出了一種新的全息超表面（CAHMs）設計方案，該方案名為「基於電場圖案的單片式全息超表面設計」，特點是通過卷積神經網路（CNN）實現殘差編碼和解碼，並用電場圖案直接設計全息超表面。在這項研究中，重點描述了生成全息超表面所使用的深度學習方案，其特點是製造工藝、設計結構簡單，實用性強。
簡單來講，就是利用卷積神經網路這種機器學習技術，直接將電場分布和輸入圖像映射到全息超表面上，這個全息超表面上本身包含了所需的相位和幅值。另外，這種映射通過殘差編碼器和解碼器來實現，並使用預訓練網路和遷移學習框架來提高訓練效果。
通常，超表面工藝基於周期性/准周期性人工原子排列，是一種二維平面結構。超表面具有超材料的電磁控制性，因此在相位、振幅、偏振、傳播模式等方面具有靈活調節的優勢。而通過調整超表面的幅值和相位資訊，便可以快速實現全息成像效果。按照資訊調製方式分類，超表面全息技術大致有三種：純相位超表面全息、純振幅超表面全息和復振幅超表面全息。在超表面設計中，最常見的方法是在微觀結構層面設計，比如超表面正向和逆向設計，直接從結構中推導出電磁響應，從電磁光譜中推導出幾何參數。
相比之下，復振幅全息超表面（CAHM）在調製相位和幅值上具有靈活性，可很好的操控波前傳播，實現優秀的圖像重建質量。不過，目前流行的CAHM設計方法基於惠更斯-菲涅爾理論，即計算出超表面的相位和幅值，然後利用指定的電磁響應來設計超表面材料，並使用超表面來填充目標全息圖分布。但由於元件耦合和誤差問題，衍射理論的理論結果和實際結果有出入，所以需要進一步數值模擬來驗證，這種計算通常比較複雜，耗時耗力，但通過結合機器學習技術，將有望降低設計的複雜性，加速計算過程。
因此科研人員提出了結合機器學習的新工藝，其原理是讓預訓練網路首先通過衍射理論、參數掃描，來推算出單元結構的參數資訊，並根據這些資訊來調控超表面的幅值和相位，然後輸入到遷移學習框架中，來映射模擬的電場分布和輸入圖像，實現全息圖像生成。
該方案使用的深度學習框架（基於PyTorch）由少量卷積層、殘差層和全連接層構成，此外還採用了I形超表面單元結構，初始化的超表面結構單元共有5層，包括2層介質基板、3層金屬貼片（銅）。深度學習框架通過改變單元結構的開口、旋轉角度，來實現複製和相位控制。通過該模型生成的全息超表面結構，可通過PCB工藝加工實現，好處是實用性強、成本低，具有廣泛的應用價值。
機器學習可有效加快超表面的設計效率，另外一方面就是從宏觀角度設計超表面，比微觀設計更有助於提高效率和精度。也就是說，通過分析局部電場的空間分布，來學習局部電場的內在規律，從而重構它和調製器的映射關係。
為了驗證該設計的效果，科研人員在數據集上進行了測試，結果顯示該設計的平均像素歸一化誤差約為3%。這意味著，利用該方法設計出的全息超表面，與目標圖像之間的誤差很小。此外，利用該方法製造的超表面原型的重建電場，與目標電場足夠接近，同樣驗證了設計的有效性。參考：oejournal，phys.org
