Optymalizacja szeropasmowego metamateryalnego absorbera z użyciem dwuwymiarowej, opóźnionej metody TD3 uczenia ze wzmocnieniem

Materiały dydaktyczne do ujarzmiania fal

Nowoczesne łącza bezprzewodowe, telewizja satelitarna i radary wszystkie opierają się na precyzyjnym kształtowaniu niewidzialnych fal. Inżynierowie projektują dziś „metamateriały” – drobne, wzorcowane powierzchnie – które mogą pochłaniać niepożądane sygnały lub obracać ich polaryzację, poprawiając jakość komunikacji i możliwości kamuflażu. W pracy tej pokazano, jak forma sztucznej inteligencji — uczenie ze wzmocnieniem — może automatycznie odkrywać wysokowydajne projekty tych złożonych struktur, wykonując w ciągu godzin to, co inaczej wymagałoby tygodni eksperymentów i prób i błędów specjalistów.

Dlaczego kształtowanie fal ma znaczenie

Metamateriały to zaprojektowane powierzchnie zbudowane z powtarzalnych mikroskopijnych wzorów, które w nietypowy sposób oddziałują z falami elektromagnetycznymi. Poprzez dostrojenie kształtów i odstępów tych elementów badacze mogą tworzyć ultracienkie absorbery pochłaniające niemal całe padające promieniowanie, albo konwertery, które zmieniają polaryzację fali — na przykład przekształcając sygnał poziomy na pionowy. Takie urządzenia są istotne do zmniejszania sygnatur radarowych, ograniczania zakłóceń między kanałami oraz zwiększania przepustowości w zatłoczonych pasmach częstotliwości używanych przez systemy satelitarne i bezprzewodowe.

Pozwolić algorytmowi projektować

Tradycyjnie inżynierowie dostrajają projekty metamateriałów stosując ręczne przeszukiwanie parametrów lub heurystyczne metody, takie jak algorytmy genetyczne. Podejścia te bywają wolne, wymagające dużej mocy obliczeniowej i wrażliwe na dobór punktu startowego, zwłaszcza gdy istnieje wiele geometrycznych parametrów do regulacji. Autorzy zamiast tego sięgają po metodę uczenia ze wzmocnieniem zwaną Twin Delayed Deep Deterministic Policy Gradient (TD3). W tym układzie sztuczny „agent” proponuje zestaw wymiarów geometrycznych komórki metamateriału, symulator fizyczny ocenia, jak dobrze dany projekt absorbuje lub konwertuje fale w zadanym paśmie częstotliwości, a agent otrzymuje ocenę nagrody. Iterując ten cykl proponowania i oceniania, agent stopniowo uczy się, które wzory działają najlepiej, bez potrzeby jawnych wzorów czy wstępnie wytrenowanych modeli zastępczych.

Budowanie lepszej gąbki na fale

Pierwsze pole testowe to ultracienki absorber mikrofalowy zbudowany z miedzianych śladów w kształcie litery L nad metalicznym podkładem, oddzielonych typowym materiałem płytki drukowanej. Celem jest silne pochłanianie — powyżej 90 procent — w jak najszerszym zakresie częstotliwości w pasmach Ku i K używanych do łączy satelitarnych i radarów. Agent TD3 steruje czterema kluczowymi cechami geometrycznymi wzoru i współpracuje bezpośrednio z komercyjnym symulatorem elektromagnetycznym. Co godne uwagi, już po 23 iteracjach algorytm zbiega do projektu, który pochłania ponad 90 procent padających fal od 12,2 do 22,4 gigaherca — szersze pasmo niż wcześniejsze ręcznie dopracowane lub optymalizowane algorytmicznie wersje używające tego samego podstawowego układu. Dodatkowe testy na innym, całkowicie dielektrycznym absorberze świetlnym w częstotliwościach optycznych pokazują, że ta sama rama uczenia może także poprawić wydajność tam, poszerzając użyteczne pasmo przy jednoczesnym zwiększeniu średniego pochłaniania.

Odwracanie polaryzacji do góry nogami

Następnie autorzy stawiają metodzie bardziej złożone zadanie: zaprojektować powierzchnię, która odbija padające fale, jednocześnie zmieniając ich polaryzację w szerokim zakresie częstotliwości. Startują od jednowarstwowego wzoru łączącego miedziane ślady w kształcie litery L z centralnym trójkątem na tej samej cienkiej warstwie podłoża i metalicznego podkładu. Ponownie agent TD3 dostraja szczegóły geometryczne. Po około 81 iteracjach znajduje konfigurację, która konwertuje ponad 90 procent mocy odbitej na ortogonalną polaryzację w zakresie od 11,8 do 24,2 gigaherca — obejmując całe pasmo Ku i większość pasma K. Symulacje pokazują też, że ta wysoka konwersja utrzymuje się dla kątów padania do 50 stopni, co jest pożądaną cechą dla rzeczywistych anten i powłok maskujących.

Z symulacji na stanowisko laboratoryjne

Aby sprawdzić praktyczność projektów odkrytych przez AI, zespół wytwarza powierzchnię zmieniającą polaryzację za pomocą standardowej fotolitografii na matrycy 40 na 40 komórek jednostkowych. Pomiary wykonane przy użyciu anten rożkowych i wektorowego analizatora sieci potwierdzają silne odbicie o polaryzacji poprzecznej w niemal tym samym paśmie, które przewidywały symulacje, z jedynie umiarkowanymi różnicami wynikającymi z tolerancji produkcyjnych i skończonego rozmiaru próbki. W porównaniu z innymi opisanymi urządzeniami, ta jednowarstwowa struktura osiąga porównywalne lub lepsze pasmo i wydajność, pozostając kompaktową i pozbawioną dodatkowych elementów obwodów.

Co to oznacza na przyszłość

Pokazując, że agent uczenia ze wzmocnieniem TD3 może szybko znaleźć wysokowydajne, gotowe do wytworzenia projekty metamateriałów, praca ta wskazuje nowy sposób inżynierii urządzeń kontrolujących światło i fale radiowe. Zamiast mozolnego ręcznego badania przestrzeni projektowej, badacze mogą zdefiniować cel — na przykład szerokopasmowe pochłanianie lub odporna konwersja polaryzacji — i pozwolić algorytmowi przeszukać rozległy krajobraz możliwości. Podejście jest na tyle ogólne, że można je rozszerzyć poza absorbery i polaryzatory na wiele innych komponentów fotonicznych i mikrofalowych, potencjalnie przyspieszając innowacje we wszystkim, od niskoprofilowych anten po czujniki optyczne i powierzchnie do pozyskiwania energii.

Cytowanie: Mahmoud, B.E., Ali, T.A., Obayya, S.S.A. et al. Optimization of broadband metamaterial absorber using twin delayed deep deterministic policy gradient reinforcement learning technique. Sci Rep 16, 12745 (2026). https://doi.org/10.1038/s41598-026-41716-8

Słowa kluczowe: metamateryalny absorber, konwerter polaryzacji, projektowanie z użyciem uczenia ze wzmocnieniem, szeropasmowe urządzenia mikrofalowe, optyczna optymalizacja