[论文解读] Deep learning estimation of complex reverberant wave fields by a programmable metasurface

Benjamin W. Frazier, Thomas M. Antonsen+2 more|arXiv (Cornell University)|Mar 24, 2021

Metamaterials and Metasurfaces Applications参考文献 116被引用 19

一句话总结

本文提出了一种深度学习框架，通过使用二进制可编程超表面，在复杂、混响的电磁环境中实现波前的实时重构与控制。通过在混沌微波腔中对测量的散射响应进行卷积神经网络训练，该方法在仅使用1.5%的超表面覆盖面积和极少训练数据的情况下，实现了对未见过的配置下所需波场分布的超表面配置预测，准确率超过99%。

ABSTRACT

Electromagnetic environments are becoming increasingly complex and congested, creating a growing challenge for systems that rely on electromagnetic waves for communication, sensing, or imaging, particularly in reverberating environments. The use of programmable metasurfaces provides a potential means of directing waves to optimize wireless channels on-demand, ensuring reliable operation and protecting sensitive electronic components. Here we introduce a technique that combines a deep learning network with a binary programmable metasurface to shape waves in complex reverberant electromagnetic environments, in particular ones where there is no direct line of sight. We applied this technique for wavefront reconstruction and control, and accurately determined metasurface configurations based on measured system scattering responses in a chaotic microwave cavity. The state of the metasurface that realizes desired electromagnetic wave field distribution properties was successfully determined even in cases previously unseen by the deep learning algorithm. Our technique is enabled by the reverberant nature of the cavity, and is effective with a metasurface that covers only $\sim$1.5\% of the total cavity surface area.

研究动机与目标

• 解决传统优化方法在复杂、混响电磁环境中速度慢且不可靠的波前控制挑战。
• 开发一种数据高效、基于深度学习的逆映射技术，从测量的散射响应预测超表面配置。
• 利用小型可编程超表面实现在非视 Line-of-sight 条件下的实时、按需波操控。
• 在混沌微波腔环境中，展示深度学习模型对未见过的超表面配置的鲁棒泛化能力。

提出的方法

• 在混沌微波腔中放置一个二进制可编程超表面，以调制电磁波场。
• 在3–4 GHz带宽内，针对不同超表面配置测量散射响应（S21参数）。
• 训练卷积神经网络（CNN）将测量的S21响应映射到相应的超表面指令集。
• 采用分箱策略（如3×3或5×4）降低维度，提升泛化能力。
• 在未见过的配置上验证模型，并随时间测试以评估鲁棒性和泛化能力。
• 利用腔体的混响特性，在超表面覆盖面积极小的情况下增强波控制能力。

实验结果

研究问题

• RQ1 深度学习模型能否在复杂、混响的腔体中，仅从散射测量准确重构超表面配置？
• RQ2 深度学习模型在训练期间未见过的超表面配置上的泛化能力如何？
• RQ3 在混响环境中实现有效波前控制所需的最小超表面覆盖面积是多少？
• RQ4 深度学习模型在长时间运行或环境条件变化下的性能如何退化？
• RQ5 该模型能否适应动态电磁环境中实时、即时的波操控？

主要发现

• 深度学习模型在预测所需波场分布的超表面配置方面，准确率超过99%。
• 模型对未见过的配置表现出有效泛化，展现出超越训练数据的鲁棒性。
• 该方法仅需约1.5%的超表面覆盖面积，显著减小了硬件尺寸。
• 即使在部署9天后，性能依然保持高位，线上验证准确率达65.5%（基于2000组测试集），表明其长期稳定性。
• 预测与实际S21响应之间的相关系数随混响时间缩短而下降，表明在高度损耗环境中模型性能降低。
• 使用复数值层和Terrapin Modules可提升训练收敛速度和泛化能力，尤其在低数据场景下表现更优。