近年来，超表面结构的光学技术开始受到越来越多关注，超表面是一种二维超材料，它可以在亚波长范围内，灵活调控入射光的振幅、相位和偏振，具有强大的光场操控能力，并且可实现传统光学不具备的功能。由于这种电磁波灵活调制的特性，超表面可以有多种用途，比如超材料完美吸收器（MPA）、隐形装置、平面超透镜和超表面全息显示等等。
超表面技术在开发和改进光学、微波器件方面体现出很好的效果，也丰富了全息方案的设计和应用场景。比如制造薄如发丝的微型透镜（Metalens），应用于摄像头、医疗器械、车载传感器/雷达、AR/VR、全息显示等场景。不过，由于工艺复杂等因素，目前还不适合大规模生产。
为了改善上述情况，中国人民解放军空军工程大学的科研人员提出了一种新的全息超表面（CAHMs）设计方案，该方案名为“基于电场图案的单片式全息超表面设计”，特点是通过卷积神经网络（CNN）实现残差编码和解码，并用电场图案直接设计全息超表面。在这项研究中，重点描述了生成全息超表面所使用的深度学习方案，其特点是制造工艺、设计结构简单，实用性强。
简单来讲，就是利用卷积神经网络这种机器学习技术，直接将电场分布和输入图像映射到全息超表面上，这个全息超表面上本身包含了所需的相位和幅值。另外，这种映射通过残差编码器和解码器来实现，并使用预训练网络和迁移学习框架来提高训练效果。
通常，超表面工艺基于周期性/准周期性人工原子排列，是一种二维平面结构。超表面具有超材料的电磁控制性，因此在相位、振幅、偏振、传播模式等方面具有灵活调节的优势。而通过调整超表面的幅值和相位信息，便可以快速实现全息成像效果。按照信息调制方式分类，超表面全息技术大致有三种：纯相位超表面全息、纯振幅超表面全息和复振幅超表面全息。在超表面设计中，最常见的方法是在微观结构层面设计，比如超表面正向和逆向设计，直接从结构中推导出电磁响应，从电磁光谱中推导出几何参数。
相比之下，复振幅全息超表面（CAHM）在调制相位和幅值上具有灵活性，可很好的操控波前传播，实现优秀的图像重建质量。不过，目前流行的CAHM设计方法基于惠更斯-菲涅尔理论，即计算出超表面的相位和幅值，然后利用指定的电磁响应来设计超表面材料，并使用超表面来填充目标全息图分布。但由于元件耦合和误差问题，衍射理论的理论结果和实际结果有出入，所以需要进一步数值模拟来验证，这种计算通常比较复杂，耗时耗力，但通过结合机器学习技术，将有望降低设计的复杂性，加速计算过程。
因此科研人员提出了结合机器学习的新工艺，其原理是让预训练网络首先通过衍射理论、参数扫描，来推算出单元结构的参数信息，并根据这些信息来调控超表面的幅值和相位，然后输入到迁移学习框架中，来映射模拟的电场分布和输入图像，实现全息图像生成。
该方案使用的深度学习框架（基于PyTorch）由少量卷积层、残差层和全连接层构成，此外还采用了I形超表面单元结构，初始化的超表面结构单元共有5层，包括2层介质基板、3层金属贴片（铜）。深度学习框架通过改变单元结构的开口、旋转角度，来实现复制和相位控制。通过该模型生成的全息超表面结构，可通过PCB工艺加工实现，好处是实用性强、成本低，具有广泛的应用价值。
机器学习可有效加快超表面的设计效率，另外一方面就是从宏观角度设计超表面，比微观设计更有助于提高效率和精度。也就是说，通过分析局部电场的空间分布，来学习局部电场的内在规律，从而重构它和调制器的映射关系。
为了验证该设计的效果，科研人员在数据集上进行了测试，结果显示该设计的平均像素归一化误差约为3%。这意味着，利用该方法设计出的全息超表面，与目标图像之间的误差很小。此外，利用该方法制造的超表面原型的重建电场，与目标电场足够接近，同样验证了设计的有效性。参考：
