Nat. Comput. Sci. | 面向信息超材料设计的生成式模型

DRUGONE

信息超材料是一类将数字编码、电磁波调控与信息处理深度融合的新型人工人工程材料，能够实现波束调控、近场聚焦、全息成像等多种电磁功能。然而，这类材料的逆向设计需要同时完成微观超原子结构和宏观编码阵列的联合优化，其设计空间呈指数级增长，传统优化方法不仅计算成本高，而且通常只能针对单一任务进行设计，缺乏统一的生成框架。

研究人员提出了一种面向信息超材料设计的生成式模型——InfoMetaGen。该模型采用预训练扩散模型作为统一生成骨干，通过轻量级功能适配器实现不同设计任务之间的迁移学习，从而能够在同一框架下生成满足目标电磁响应的多比特超原子，以及满足不同功能需求的非均匀编码超材料阵列，包括波束赋形、近场聚焦和电磁全息等任务。数值模拟和实验均证明，该模型能够生成性能优异的1-bit和3-bit超原子及超材料阵列。在全息设计任务中，InfoMetaGen获得了与经典Gerchberg–Saxton算法几乎相同的重建质量，同时设计速度提升超过三个数量级，为信息超材料的智能发现建立了一条高效、统一且可扩展的新路线。

近年来，生成式人工智能正在深刻改变科学发现的方式。从蛋白质结构预测到新材料设计，扩散模型等生成模型已经证明，相较于传统“试错式”搜索，它们能够直接学习复杂结构的统计规律，并根据目标需求快速生成满足要求的新结构，大幅拓展材料探索空间。

超材料则代表另一类完全不同的人工材料。它们的物理性质并不由化学组成决定，而是来源于人工设计的超原子及其空间排列方式。通过合理设计微结构，可以获得自然材料难以实现的负折射率、异常散射、电磁隐身以及波束调控等特殊功能。近年来，数字编码超材料进一步发展为信息超材料，将数字编码、可编程控制和电磁调制结合起来，使超材料逐渐由一种“材料”演变为具备信息处理能力的平台。

然而，也正因为信息超材料遵循“结构决定功能”的设计原则，其设计复杂度远高于普通材料。一方面，需要设计能够满足指定频率、幅度和相位响应的超原子；另一方面，还需要进一步构建包含数千甚至数万个编码单元的大规模非均匀阵列，使整个系统实现指定波束、聚焦或全息功能。传统设计主要依赖人工经验结合全波电磁仿真不断迭代优化，不仅设计周期长，而且不同任务通常需要重新建立模型，难以适应越来越复杂的信息超材料设计需求。

近年来，机器学习开始应用于超材料设计，能够一定程度提高优化效率。然而，大多数现有方法仍局限于某一类特定任务，例如固定比特数、固定波束或者固定全息图像，缺乏统一的生成能力。同时，宏观编码阵列与微观超原子的联合生成问题一直没有得到有效解决。为此，研究人员提出InfoMetaGen，希望建立一种真正意义上的通用生成模型，实现从超原子到超材料阵列的统一逆向设计。

方法

InfoMetaGen采用两阶段训练策略。首先，研究人员利用大量不同功能的信息超材料数据，对扩散模型进行预训练，使模型学习数字编码结构的共同统计规律，形成统一的设计先验。随后，在保持扩散模型主体参数固定的基础上，仅训练轻量级功能适配器，使模型能够针对不同设计目标进行快速迁移。根据不同任务输入不同条件信息，例如目标工作频率、相位和幅度响应用于超原子设计，目标波束方向用于波束赋形，焦点空间坐标用于近场聚焦，而目标图像则用于全息设计。模型最终从随机噪声开始，经由扩散反演逐步恢复满足目标条件的编码结构，再经过电磁仿真与实验验证生成结果，从而在同一框架下完成不同尺度、不同功能的信息超材料设计。

结果

InfoMetaGen构建统一的信息超材料生成框架

研究人员首先建立了InfoMetaGen整体框架。不同于已有方法针对单一功能分别训练模型，InfoMetaGen采用一个共享的扩散生成主干，通过不同功能适配器实现不同设计任务之间的迁移。这种设计理念借鉴了自然材料生成模型的思想，将生成对象由微观晶体扩展到宏观人工超材料，实现了从超原子到超材料阵列的统一生成。

整个训练过程中，模型不断学习各种数字编码结构之间共同的空间规律。在生成阶段，只需输入不同功能条件，模型便能够从随机噪声逐渐恢复对应编码图案，而无需重新训练整个网络。因此，同一个生成框架即可支持超原子设计、波束赋形、近场聚焦以及电磁全息等多种任务，体现出良好的泛化能力和迁移能力。

图1：InfoMetaGen总体框架示意图，包括扩散模型预训练、功能适配器微调以及超原子、波束赋形、近场聚焦和电磁全息四类统一生成任务。

InfoMetaGen实现高质量超原子生成

研究人员首先验证模型在超原子设计中的能力。为了便于生成，研究人员将传统Huygens超原子离散为像素化结构，每个像素代表不同材料分布，而模型根据目标工作频率及相位要求自动生成相应结构。

实验结果表明，在17 GHz工作频率下，InfoMetaGen能够直接生成具有180°相位差的一位编码超原子，且实验测量结果与电磁仿真高度一致。不仅如此，模型还能进一步生成适用于8 GHz、9 GHz、11 GHz和12 GHz等多个频段的宽带超原子，均能够保持稳定的180°相位差，说明模型具有较强的频率泛化能力。

为了进一步评价生成能力，研究人员提出了四项指标，包括生成结果是否属于新的设计、是否具有独特性能、是否能够超出训练数据范围以及是否满足结构对称性要求。对6000次独立生成结果统计发现，这四项指标始终保持较高水平，说明模型不仅能够生成新的超原子结构，而且能够探索训练数据之外的新设计空间。

更值得注意的是，即使训练集中没有对应样本，InfoMetaGen仍能够生成满足3-bit编码要求的新型超原子，其平均相位误差不足10°，通常只需极少数推理迭代即可完成生成。这说明模型已经不仅仅是在记忆已有数据，而是具备了真正意义上的结构外推能力，可以发现数据库之外的新型超原子设计。

与传统拓扑优化相比，InfoMetaGen表现出三项突出优势。首先，在模型训练完成后即可快速生成目标结构，无需重新开展复杂优化；其次，模型能够生成大量性能各异的新结构，具有更强的设计多样性；最后，同一模型同时适用于超原子与超材料阵列设计，实现真正意义上的统一生成框架。当然，研究人员也指出，该方法仍然依赖训练数据质量，同时生成过程具有一定随机性，因此仍需要后续筛选性能最佳的候选结构。

图2：InfoMetaGen生成1-bit与3-bit超原子、不同频率超原子生成能力、新颖性评价以及超出训练集设计空间（OOD）生成能力验证。

生成远场波束赋形超材料

完成超原子设计之后，研究人员进一步验证InfoMetaGen在超材料阵列设计中的能力。相比于单个超原子，波束赋形需要同时优化整个超材料阵列中大量编码单元，使其共同作用形成指定方向的远场辐射。传统方法通常需要反复进行全波电磁仿真，并不断调整编码序列，计算复杂度随着阵列规模迅速增加，设计效率较低。

研究人员利用已经完成预训练的扩散模型，仅针对波束赋形任务微调功能适配器，并将目标波束方向的球坐标以及编码位数作为条件输入模型。在生成过程中，InfoMetaGen从随机高斯噪声开始，通过扩散模型逐步恢复满足目标要求的编码图案。随着去噪过程不断推进，原本毫无规律的随机噪声逐渐形成具有明显条纹特征的编码结构，最终演化为规则排列的超材料编码阵列，同时对应的三维远场辐射图也逐渐形成清晰的目标波束。

无论是1-bit还是3-bit编码超材料，模型都能够准确生成满足目标方向要求的编码方案，最终形成与预设角度一致的远场主波束。研究人员在相同条件下重复生成100次，对生成误差进行统计分析。结果表明，波束偏转误差始终控制在3°以内，说明模型不仅具有较高精度，而且具有良好的稳定性和重复性。

进一步分析不同生成样本中的数字编码组成发现，虽然每一次生成得到的具体编码排列并不完全一致，但整体数字分布始终围绕理论参考值波动。这说明InfoMetaGen并不是简单复制训练样本，而是在满足相同电磁功能的前提下，自主探索多种不同的编码方案，体现了生成模型天然具有的设计多样性。

为了验证模型的实际可制造性，研究人员加工制备了生成得到的超材料样品，并在微波暗室完成远场实验测试。实验结果与电磁仿真保持高度一致，目标方向均成功形成主波束，仅由于实际超原子透射效率尚未达到100%，在镜像方向出现较弱旁瓣，但并未影响整体波束控制性能。这进一步证明InfoMetaGen不仅能够生成理论设计，而且能够直接应用于实际器件制造。

图3：InfoMetaGen生成1-bit与3-bit远场波束赋形超材料过程、100次重复生成统计分析、编码组成统计及实验验证结果。

生成近场聚焦与电磁全息超材料

研究人员随后将InfoMetaGen扩展到更加复杂的近场调控任务。近场聚焦要求整个超材料阵列协同工作，使电磁能量集中于空间中指定位置，在无线能量传输、近场成像和高精度传感等领域具有重要应用。然而，传统优化通常容易陷入局部最优，而且随着阵列规模增加，设计时间迅速增长。

研究人员同样利用共享扩散模型，仅重新训练针对近场聚焦任务的功能适配器，将目标焦点三维坐标作为条件输入模型。随着扩散去噪不断进行，原本随机分布的编码逐渐形成具有明显同心环结构的编码阵列，与此同时，空间中的电磁场也由无规则分布逐渐收敛形成清晰聚焦点。

统计100次独立生成结果发现，焦点位置误差始终保持较低水平，在两个方向上的偏移均控制在很小范围内，说明模型能够稳定生成满足空间聚焦要求的超材料阵列。不同生成样本虽然编码方式存在一定差异，但整体数字组成始终保持与理论设计一致，进一步体现了模型兼顾稳定性和多样性的特点。

研究人员随后完成了样品加工，并搭建近场扫描实验平台，对多个不同焦点位置进行了实验验证。实验获得的聚焦位置与仿真预测基本一致，说明InfoMetaGen生成的编码不仅具有理论可行性，而且能够稳定实现真实电磁聚焦。

在完成近场聚焦后，研究人员进一步挑战更加复杂的全息成像任务。相比单个聚焦点，全息成像需要整个超材料阵列共同重建任意二维图像，其设计空间远大于普通聚焦问题。传统梯度优化、遗传算法等方法通常需要针对每幅全息图重新开展大量迭代计算，当编码位数增加或阵列规模扩大时，计算成本急剧增加。

InfoMetaGen则只需输入目标图像即可直接生成对应编码阵列。研究人员分别完成了1-bit和3-bit全息超材料设计，模型由随机噪声逐渐恢复出对应编码结构，同时在传播空间中逐步形成目标图像。实验分别重建了字母“A”和字母“C”，所得全息图与仿真结果高度一致。

为了评价图像质量，研究人员采用峰值信噪比（PSNR）和结构相似性（SSIM）两个指标，对100次独立生成以及20组不同目标进行了统计分析。所有实验中，PSNR均保持在40 dB以上，而SSIM始终高于0.99，说明模型能够稳定生成高质量全息图像。与此同时，不同生成样本依旧保持编码多样性，即在实现相同全息功能的前提下，模型能够探索不同编码方案，而非简单复制已有设计。

图4：InfoMetaGen生成近场聚焦超材料过程、聚焦误差统计、编码组成分析及实验验证结果。

图5：InfoMetaGen生成1-bit与3-bit电磁全息超材料、全息图像重建质量统计以及实验测量结果。

计算效率比较

除了生成质量，研究人员还重点比较了InfoMetaGen与遗传算法、粒子群优化、模拟退火、Pattern Search以及Gerchberg–Saxton（GS）算法之间的计算效率。

研究人员利用36幅不同目标图像，包括全部英文字母和数字，对六种方法进行了统一测试。结果表明，传统启发式优化算法不仅图像质量较低，而且计算时间较长。GS算法虽然能够获得较高质量的全息图，但每一个目标图像都需要重新执行完整迭代优化，因此整体计算成本依然较高。

相比之下，InfoMetaGen在完成一次预训练和轻量级适配器微调之后，后续所有设计均可直接推理生成。模型获得的平均PSNR达到40.90 dB，SSIM达到0.9936，与GS算法几乎一致，而平均运行时间仅约0.054秒，相比GS算法约128秒的设计时间提升约2400倍，相对于其他传统优化算法优势更加明显。

这一结果说明，InfoMetaGen不仅保持了接近传统优化方法的设计精度，更重要的是将逐目标优化转变为一次训练、多次快速推理，使信息超材料设计真正进入高通量生成阶段，为未来复杂可编程电磁器件设计提供了新的技术路线。

图6：InfoMetaGen与遗传算法、粒子群优化、模拟退火、Pattern Search及Gerchberg–Saxton算法在重建质量和计算效率上的比较。

讨论

研究人员认为，InfoMetaGen首次建立了统一的信息超材料生成框架，实现了从微观超原子到宏观非均匀编码阵列的统一逆向设计。与传统针对单一任务分别建立优化模型不同，该方法通过共享扩散生成先验，仅利用轻量级功能适配器即可快速适配不同电磁功能，使不同设计任务之间能够共享知识，实现真正意义上的多任务生成。

研究结果表明，生成式人工智能不仅能够完成传统优化算法能够实现的设计任务，而且能够探索训练数据之外的新型超原子结构，并生成多种满足同一目标功能的不同编码方案。这意味着未来的信息超材料设计将由针对单一目标的逐次优化，逐渐发展为面向整个设计空间的大规模生成式探索。

当然，研究人员也指出，目前模型仍依赖训练数据覆盖范围，对于远超训练分布的新型设计仍需要进一步补充数据或引入物理约束。由于生成模型具有一定随机性，最终仍需要从多个候选方案中筛选性能最优结构。此外，目前工作主要集中于微波频段的信息超材料，未来还需要进一步扩展至光学频段、多物理场耦合、动态可重构超材料以及超大规模阵列设计。

总体来看，InfoMetaGen展示了生成式人工智能在信息超材料领域的重要潜力。未来若进一步结合物理约束、可微电磁求解器、不确定性估计以及实验反馈机制，有望建立真正面向复杂可编程电磁系统的智能设计平台，使信息超材料由针对固定功能的人工设计逐步发展为能够自主发现和快速生成复杂电磁功能的新一代智能材料。

整理 | DrugOne团队

参考资料

Hou, J., Chen, L., Zheng, X. et al. Generative model for information metamaterial design. Nat Comput Sci (2026).

https://doi.org/10.1038/s43588-026-01025-6