[论文解读] Deep Wavefront Shaping: Intelligent Control of Complex Scattering Responses with a Programmable Metasurface

Benjamin W. Frazier, Thomas M. Antonsen+2 more|arXiv (Cornell University)|Jan 1, 2021

Metamaterials and Metasurfaces Applications被引用 2

一句话总结

本文提出深度波前整形技术，该技术利用深度学习网络控制二值可编程超表面，在复杂散射环境中实现对电磁波的智能调控。该方法可成功重建波前，并确定实现期望散射响应的最优超表面配置，即使在未见过的场景下也能实现，从而实现动态、智能的可重构无线环境。

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. The use of intelligent, reconfigurable metasurfaces provides a potential means for achieving a radio environment that is capable of directing propagating waves to optimize wireless channels on-demand, ensuring reliable operation and protecting sensitive electronic components. Here we introduce ``deep wavefront shaping'', a technique that combines a deep learning network with a binary programmable metasurface to shape waves in complex electromagnetic environments and to drive the system towards a desired scattering response. We applied this technique for wavefront reconstruction, 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 work represents an important step towards realizing intelligent reconfigurable metasurfaces for smart radio environments that can ensure both the integrity of electronic systems and optimum performance of wireless networks.

研究动机与目标

• 应对现代无线环境中日益严重的电磁干扰与信道拥塞挑战。
• 实现在复杂散射介质中对电磁波传播的智能、按需控制。
• 开发一种系统，能够基于学习到的散射响应，确定实现期望波前的最优超表面配置。
• 通过利用深度学习的泛化能力，确保在未见场景下的鲁棒性能。
• 推动智能无线环境的实现，以提升无线网络可靠性并保护敏感电子设备。

提出的方法

• 采用深度神经网络，将测量到的散射响应映射到能产生期望波前的对应超表面配置。
• 使用二值可编程超表面作为波前整形器件，能够动态重构电磁波传播。
• 在混沌微波腔内，基于模拟或实测的散射响应对深度学习模型进行训练，以学习复杂的波-超表面映射关系。
• 将训练好的模型应用于预测新出现的、此前未见过的散射响应对应的超表面状态。
• 通过在受控微波环境中对比预测波前与实测场强，验证该方法的有效性。
• 将波前重建作为关键任务，以验证基于深度学习的超表面控制的准确性与泛化能力。

实验结果

研究问题

• RQ1 深度学习模型能否准确预测出基于实测散射响应、以产生期望电磁波前的超表面配置？
• RQ2 该深度学习模型在训练数据中未包含的未见散射响应上，其泛化能力达到何种程度？
• RQ3 在复杂且混沌的电磁环境中，该系统仅基于输入的散射测量，波前重建的效率如何？
• RQ4 深度学习与可编程超表面的结合，能否实现实时、智能地控制动态环境中电磁波的传播？

主要发现

• 深度学习模型成功确定了实现期望电磁波场分布所需的超表面配置。
• 该系统基于混沌微波腔中实测的散射响应，准确重建了波前。
• 模型对未见的散射响应具有泛化能力，表现出超越其训练数据的鲁棒性。
• 该方法仅通过输入-输出测量，即实现了对复杂环境中波传播的智能控制。
• 该方法即使在高度无序的电磁环境中，也能实现可靠的波前整形。
• 将深度学习与可编程超表面结合，可实现无线信道的动态、按需优化。