Multifunktionale bewegliche Setzschrift-Codier-Metasurface zur Ermöglichung rekonfigurierbarer diffraktiver neuronaler Netze

Intelligentere Maschinen mit Licht und Wellen bauen

Ein Großteil der heutigen künstlichen Intelligenz läuft auf energiehungrigen elektronischen Chips. Diese Arbeit erkundet einen ganz anderen Weg: die Nutzung sorgfältig gestalteter Oberflächen, um mit elektromagnetischen Wellen selbst zu »rechnen«. Indem man physisch steuert, wie Mikrowellen sich ausbreiten und streuen, schaffen die Forschenden Hardware, die Handschrift erkennt, Hologramme erzeugt und sogar Atmungsbewegungen überwacht — und das alles mit denselben wiederverwendbaren Bausteinen.

Ein Lego-Set zur Steuerung von Wellen

Im Zentrum der Arbeit steht eine neue Art von »Metasurface«, eine dünne Platte, die mit vielen winzigen Metallelementen versehen ist und elektromagnetische Wellen auf präzise Weise beugen, verzögern oder durchlassen kann. Anstatt diese Elemente fest zu installieren, entlehnt das Team eine Idee aus dem alten Setzverfahren: jede winzige Einheit, oder »Meta-Atom«, ist eine abnehmbare Kachel, die wie ein Modul ein- und ausgesteckt werden kann. Die Autor:innen entwerfen acht Typen solcher Kacheln, die jeweils eine unterschiedliche Phasenverzögerung für Mikrowellen bei etwa 14 Gigahertz liefern. Durch das Zusammensetzen von Hunderten dieser Kacheln zu einem Gitter lässt sich dieselbe Hardware schnell in viele verschiedene funktionale Geräte umbauen — ähnlich dem Umstellen von Drucklettern, um eine neue Seite zu setzen.

Metasurfaces als physisches neuronales Netz

Um die Leistungsfähigkeit dieses modularen Konzepts zu demonstrieren, stapeln die Forschenden drei dieser rekonfigurierbaren Platten zwischen einer Eingangsmaske und einer Ausgabefläche und schaffen so das, was sie ein bewegliches Setzschrift-rekonfigurierbares diffraktives neuronales Netz (MT-RDNN) nennen. Hier dienen statt Zahlen in einem Computer Mikrowellen als Signal, das durch Schichten fließt. Ein Muster, das eine handschriftliche Ziffer darstellt, wird in eine Metallplatte geschnitten; die durch diese Maske hindurchgehenden Mikrowellen passieren dann die drei Metasurface-Schichten. Die genaue Anordnung der Kacheln in jeder Schicht wird mittels Computertraining ermittelt, ähnlich der Optimierung eines herkömmlichen neuronalen Netzes. Nach dem Training konzentrieren die Wellen ihre Energie auf bestimmte Bereiche an der Ausgabe, wobei jeder Bereich einer Ziffernklasse entspricht.

Durch Umordnung der Kacheln an neue Aufgaben anpassen

Ein wesentlicher Vorteil dieses Ansatzes ist, dass das Netzwerk umfunktioniert werden kann, ohne es vollständig neu aufzubauen. Nachdem die geschichteten Metasurfaces zum Erkennen von vier handschriftlichen Ziffern trainiert wurden, passt das Team dieselbe Hardware an, um stattdessen vier englische Buchstaben zu klassifizieren. Anstatt alle Kacheln neu zu konfigurieren, lassen sie die ersten beiden Metasurface-Schichten unverändert und ändern nur einen Teil der Kacheln in der letzten Schicht. Mit einer Transfer-Learning-Strategie auf physikalischer Ebene erhalten sie den Großteil der bestehenden Struktur und justieren nur das Nötigste nach. Das reduziert sowohl Trainings- als auch Montageaufwand um mehr als zwei Drittel, während in Experimenten für Ziffern- und Buchstabenerkennung weiterhin eine Genauigkeit von über 92 Prozent erreicht wird.

Von Hologrammen bis zu kontaktlosen Atemmonitoren

Die gleiche Setzschrift-Metasurface erweist sich auch als nützliches eigenständiges Funktionsblatt. Mit nur einer Schicht Kacheln erzeugen die Autor:innen Mikrowellen-Hologramme — zweidimensionale Intensitätsmuster, die Formen wie den Buchstaben »T« oder ein logoähnliches »CM« in einer Ebene hinter der Oberfläche bilden. Die optimale Kachelkonfiguration berechnen sie mit einem gradientenbasierten Algorithmus, der die Ähnlichkeit zwischen gewünschtem Muster und vorhergesetztem Feld maximiert. In einer weiteren Demonstration lenken und fokussieren sie Mikrowellen gezielt auf die Brust einer stehenden Person in der Nähe. Subtile Bewegungen durch Atmung modulieren das reflektierte Signal, das dann mit einer Signalverarbeitungsmethode namens Variational Mode Decomposition analysiert wird. In Tests mit zwei verschiedenen Freiwilligen an unterschiedlichen Positionen wird die Metasurface so rekonfiguriert, dass die Brust jeder Person zum Brennpunkt wird, wodurch die kontaktlose, genaue Erfassung der Atemfrequenz möglich ist, die mit einem tragbaren Referenzsensor übereinstimmt.

Warum das für zukünftige intelligente Geräte wichtig ist

Einfach gesagt zeigt diese Arbeit, wie ein einzelner, wiederverwendbarer »Wellen‑Chip« aus steckbaren Kacheln durch Umordnung seiner Teile für sehr unterschiedliche Aufgaben umgestimmt werden kann — Bilderkennung, Hologrammbildung oder Vitalzeichen‑Erfassung. Mechanische Rekonfiguration ist langsamer als das Umschalten elektronischer Schalter, aber indem nur ein Bruchteil der Kacheln verändert und Ideen aus dem Transfer Learning genutzt werden, bleiben Kosten und Aufwand im Rahmen. Ihr Ansatz weist in Richtung flexibler, energiearmer und aufgabenadaptive Hardware, die Teile der Arbeit der künstlichen Intelligenz direkt in der Physik der Wellen erledigt und damit potenziell Wege zu neuen Arten intelligenter Kommunikationssysteme, interaktiver Schnittstellen und Gesundheitsüberwachungsgeräte öffnet.

Zitation: Yu, Z., Li, X., Gu, Z. et al. Multifunctional movable-type coding metasurface enabling reconfigurable diffractive neural networks. Light Sci Appl 15, 127 (2026). https://doi.org/10.1038/s41377-026-02216-6

Schlüsselwörter: Metasurface, optisches Rechnen, diffraktives neuronales Netz, Holographie, Vitalzeichen-Erfassung