Een gids voor intelligente metamaterialen en metamaterialenintelligentie

Waarom slimme materialen ertoe doen

Stel je muren voor die je wifi versterken, autobekleding die voertuigen voor radar laat verdwijnen, of papierdunne chips die AI‑berekeningen uitvoeren met de snelheid van het licht. Dit overzichtsartikel onderzoekt hoe twee snel bewegende vakgebieden — metamaterialen (gecontroleerde structuren die golven vormen) en kunstmatige intelligentie (AI) — elkaar beginnen te versterken. Samen beloven ze apparaten die zelf kunnen waarnemen, beslissen en handelen, en nieuwe soorten computers die golven in plaats van elektronen gebruiken.

Materialen bouwen die slimmer zijn dan de natuur

Metamaterialen zijn door mensen gemaakte structuren opgebouwd uit kleine herhalende eenheden, kleiner dan de golflengte van licht of radiogolven die ze beheersen. Door deze “meta‑atomen” zorgvuldig te vormen, kunnen onderzoekers elektromagnetische golven buigen, focussen of verbergen op manieren die gewone materialen niet toestaan—waardoor negatieve breking, superresolutiebeeldvorming en zelfs onzichtbaarheidsmantels mogelijk worden. Vroege ontwerpen waren log en vast in hun functie, maar ultradunne varianten, metasurfaces genoemd, hebben deze ideeën praktischer gemaakt en de controle uitgebreid van microgolven tot zichtbaar licht en zelfs tot geluid en warmte. Het ontwerpen van zulke structuren blijft echter lastig: elke aanpassing aan het patroon vereist doorgaans zware numerieke simulaties en expertsintuïtie, en de meeste voltooide apparaten werken maar voor één taak onder ideale laboratoriumomstandigheden.

AI als ontwerper en copiloot

Deep learning, de tak van AI die uitblinkt in het vinden van patronen in complexe gegevens, transformeert hoe metamaterialen worden bedacht en gebruikt. In plaats van duizenden natuurkundesimulaties handmatig uit te voeren, trainen ingenieurs neurale netwerken om te fungeren als ultrasnelle “surrogaat”simulatoren. Eén richting, voorwaartse voorspelling genoemd, voert een voorgesteld ontwerp in een netwerk en voorspelt direct de optische of radiogolfrespons. De moeilijkere route, inverse ontwerping, vraagt de AI om structuren voor te stellen die gewenst gedrag produceren—zoals een specifieke kleur, een bundel die onder een bepaalde hoek buigt, of een efficiënt optisch circuit. Geavanceerde modellen, inclusief generatieve netwerken en kennis‑"erfverende" schema’s, kunnen omgaan met situaties waarin veel verschillende ontwerpen even goed werken, en bieden ontwerpers complete families van kandidaatoplossingen in plaats van één antwoord.

Metamaterialen die waarnemen, beslissen en reageren

Voorbij ontwerpsautomatisering beschrijven de auteurs “intelligente meta‑apparaten” die meer als levende systemen dan als statische componenten opereren. Deze apparaten zijn georganiseerd rond drie modules: perceptie, besluitvorming en actie. Perceptie gebruikt sensoren of de golven zelf om de omgeving te monitoren—bijvoorbeeld het volgen van bewegende objecten, veranderende achtergronden of draadloos verkeer. Een beslissingsmodule, vaak aangedreven door AI, leert hoe het algehele patroon van een metasurface moet veranderen om een doel te bereiken, zoals het verbergen van een doelwit of het verbeteren van een draadloze verbinding. De actiemodule is een afstembare metasurface bestaande uit elementen die in realtime elektrisch, mechanisch of optisch herprogrammeerd kunnen worden. Demonstraties omvatten al een “kameleonachtige” microgolfmantel die zich automatisch aan nieuwe achtergronden aanpast, en slimme reflecterende muren die draadloze kanalen dynamisch beheren, energie besparen en interferentie verminderen.

Golven zelf gebruiken om te rekenen

De invloed werkt ook de andere kant op: metamaterialen bieden AI een nieuw soort hardware. In plaats van getallen als spanningen in een chip weer te geven, laat golfgebaseerd rekenen licht of radiogolven informatie rechtstreeks dragen en verwerken terwijl ze verstrooien, diffracteren en interfereren. Zorgvuldig ontworpen metamaterialen kunnen zich gedragen als fysieke neurale netwerken, matrixvermenigvuldigers of zelfs vergelijkingoplossers. Licht dat door gestapelde geprofileerde lagen gaat, kan dezelfde bewerkingen uitvoeren als een diep neuraal netwerk, maar in één sprong met de snelheid van het licht. Andere structuren fungeren als directe randdetectoren voor beelden, integratoren of logische poorten, en bieden ultrasnelle, energiezuinige verwerking die conventionele elektronica kan aanvullen bij taken zoals realtime waarneming, autonoom rijden of wetenschappelijke beeldvorming.

Uitdagingen en de weg vooruit

De auteurs benadrukken dat deze opkomende “metamaterialenintelligentie” nog in de kinderschoenen staat. Belangrijke uitdagingen zijn het verzamelen van voldoende hoogwaardige data om robuuste modellen te trainen, het verminderen van de noodzaak om bij elk nieuw apparaat opnieuw te leren, en het doorontwikkelen van hardware om niet‑lineaire effecten en grootschalige systemen aan te kunnen. Er zijn ook open wetenschappelijke vragen: kan AI betrouwbaar verborgen fysieke relaties onthullen in plaats van alleen krommen te passen? Hoe moeten we onzekerheid kwantificeren wanneer ontwerpen worden geconfronteerd met fabricagefouten uit de echte wereld? Ondanks deze obstakels schetst de review een levendig beeld van een toekomst waarin door AI ontworpen, golfgebaseerde structuren stilletjes de elektromagnetische ruimte beheren—signaleren sturen, communicatie verbeteren en gespecialiseerde berekeningen op de achtergrond uitvoeren, vergelijkbaar met een onzichtbaar zenuwstelsel voor onze technologische omgeving.

Bronvermelding: Qian, C., Kaminer, I. & Chen, H. A guidance to intelligent metamaterials and metamaterials intelligence. Nat Commun 16, 1154 (2025). https://doi.org/10.1038/s41467-025-56122-3

Trefwoorden: metamaterialen, metavlakken, kunstmatige intelligentie, optische berekening, intelligente apparaten