基于超分辨率重构技术的高效超表面设计方法
摘要
超表面在调控入射电磁波方面具有独特优势，但在设计完整超透镜之前需对大量单元结构进行建模和分析，这一过程不仅耗时，而且难以满足预期的相位分布要求，对仿真效率提出严峻挑战。为解决这一问题，提出一种结合生成对抗网络的超分辨率重构深度学习模型。该模型能快速、准确地对现有的相位-几何尺寸数组进行扩充，生成数据密度更高的出射相位数组。对9000组样本进行训练后，模型成功将60 pixel × 60 pixel的小型相位-几何尺寸数组重构至120 pixel×120 pixel的大型数组，预测准确率高达95.17%。为验证所提模型的可行性，基于典型的消色差超透镜单元结构设计可见光消色差超透镜，并进行仿真验证。结果表明，与传统仿真和插值算法相比，所提深度学习模型显著缩短仿真时间，同时显著提高预测准确率。所提深度学习模型为超表面单元的初始结构设计与选型提供了一种高效方法，并为生成对抗网络在电磁波调控领域的加速计算和数据拓展提供了有效解决方案。
引用本文（GB/T 7714）
张凯威 Zhang Kaiwei, 郜洪云 Gao Hongyun, 吕海飞 Lü Haifei, 等. 基于超分辨率重构技术的高效超表面设计方法[J]. Laser & Optoelectronics Progress, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。