近日，我院包燕军教授等在超构表面多维光场复用领域取得重要研究进展，提出并验证了一种基于深度神经网络的高效梯度优化算法，在显著提升计算效率和光学性能的同时，实现了逼近超构表面偏振与波长复用通道数的理论极限。该成果以“Efficient Gradient-Based Metasurface Optimization Toward the Limits of Wavelength-Polarization Multiplexing”为题发表在国际纳米科技期刊 Nano Letters（论文链接） 。
超构表面作为能够精准调控光波前的人工微纳结构，在成像、全息等领域潜力巨大。通过偏振和波长复用技术集成多种独立功能是实现器件微型化、高性能化的关键，但现有方法难以同时达到偏振与波长复用的最大容量，且设计过程计算效率低下，制约了其在复杂场景中的应用。
针对这一问题，包燕军教授等提出了一种基于梯度下降的超构表面逆设计算法，通过引入深度神经网络精确拟合纳米结构几何参数与其在不同波长下光学响应之间的复杂关系，打通了从结构参数到光学功能的梯度计算，使整个优化流程变得高效且可导。结合图形处理器强大的并行计算能力，该算法能够完成快速的批量梯度计算和参数寻优，极大地提升了设计效率。基于该高效算法，研究团队实现了偏振和波长复用通道数的理论极限，成功给出了3个偏振通道与5个波长通道（共15个）的独立全息图像复用。相较于传统设计方法，该算法不但将设计时间缩短到数十分之一，而且得到了更高的复用通道数和更优的光学性能，特别适合需要处理大规模数据的复杂应用场景。
研究团队进一步将其应用于光学图像识别任务。利用单个超构表面，实现了创纪录的9个独立通道（3偏振×3波长）对总计36类图像的分类识别，仿真准确率高达96%，实验准确率达到了91.5%，相较于传统的基于单通道或少数通道的超构表面识别方案而言，性能提升巨大，为设计高容量、多功能超构表面提供了强大且高效的工具，也为突破传统光学元件的功能限制开辟了新途径。
