机器学习和光学/光子学的相互作用正在改变我们设计新光子结构、挖掘潜在物理定律和开发智能光子设备的方式。尽管取得了某些成就，但一个主要障碍一直存在;数据集和网络只是一次性的。
(资料图)
因此，对于每一个新的状态或任务，所有的数据集和网络都必须被丢弃，并且必须重建新的数据集和网络，从而导致资源的巨大浪费。在基于机器学习的超材料设计中，已经开展了大量工作来扩大训练数据集或构建特定网络。无论哪种方式，每个超材料都是物理分离的，数据利用效率很低。
因此，非常需要利用各种超材料之间是否存在任何物理连接或网络相关性来稳健地处理各种超材料。
在LightScience&Application上发表的一篇新论文中，由中国浙江大学现代光学仪器国家重点实验室的HongshengChen教授领导的科学家团队及其同事开发了一种用于超曲面逆向的知识继承神经网络以“绿色”方式设计和无线应用。
顾名思义，这样的网络可以继承“父”超表面的知识，然后为“后代”超表面自由组装。这种继承到组装的混合方案类似于建造集装箱式房屋。换句话说，这种方法将物理空间中的超表面组装与神经网络的合成联系起来。这种范式打破了长期以来的刻板印象，即神经网络仅适用于预定义和形状绑定的对象。
此外，他们通过一个非周期性超表面和三个周期性可拉伸折纸超表面对这种范式的普遍性进行了基准测试，准确率超过86.7%，与传统神经网络的20.0%形成鲜明对比。更有趣的是，智能折纸超曲面的成功设计和实体实验迎来了未来卫星通信的创新星载天线。
报告的方法和技术将为自动超表面设计开辟一条新途径，并利用可组装性扩大智能元设备的适应性。
与输入输出参数预先确定和固定的传统“逐块”神经网络不同，所报道的“逐块”方法赋予网络可循环性和灵活的同化性，类似于建造具有高强度的集装箱式房屋灵活性和自由组装。知识继承范式由两个功能网络组成，即继承神经网络(标记为INN)和组装神经网络(标记为SNN)。
INN负责每个“面板”超表面的逆向设计，SNN作为部署器为每个INN分配任务。这些科学家总结了他们网络的运行原理：
“该数据库由七个‘面板’超表面组成，每个超表面都有自己的INN。对于给定的超表面，例如矩形和菱形，我们首先用这七个‘面板’超表面在物理空间中构建它，然后然后使用手头准备的INN合成整体神经网络。在这个过程中，INN是完全继承和保留的，相反，我们只需要动态调整SNN，实现绿色和数据高效的超表面逆设计。”
“由于超表面具有不可模仿的物理特性，我们的知识继承网络与结构的复杂空间信息相关联，可以进一步继承‘父’超表面的知识，然后自由组装为‘后代’超表面。换句话说，虚拟空间中网络的合成与物理空间中的超表面组件密不可分，”他们补充道。
“在实践中，通过应用我们的继承到组装策略，我们还可以为更大或更复杂的模型实现多阶段网络组装。”
“还有一点我们要强调的是，‘panel-by-panel’的优势在折纸超曲面等几何周期性超曲面的应用中得到了极大的发挥。在外力刺激下，折纸结构可以平滑地主导其折叠/展开运动以形成具有出色结构刚度和可调周期性的‘模块化’超表面，这与我们的‘逐个面板’策略完全一致。”
“其兼容性和轻量级的特性也吸引了卫星通信的底层应用。卫星通信作为一种高覆盖通信系统，可以灵活地进行多址通信和信道按需分配，为世界的每一个角落提供极好的信号，即使是在偏远地区。山区或珠穆朗玛峰，”科学家说。
关键词：