Оптимизация широкополосного метаматериального поглотителя с использованием метода обучения с подкреплением Twin Delayed Deep Deterministic Policy Gradient

Учебные материалы для укрощения волн

Современные беспроводные связи, спутниковое телевидение и радары зависят от тонкой формировки невидимых волн. Инженеры сейчас проектируют «метаматериалы» — крошечные узорчатые поверхности — которые могут поглощать нежелательные сигналы или изменять их поляризацию для более четкой связи и скрытности. В этой работе показано, как форма искусственного интеллекта, обучение с подкреплением, может автоматически находить высокоэффективные решения для таких сложных структур, выполняя за часы то, что в противном случае заняло бы недели экспериментов и подбора вручную.

Почему формирование волн важно

Метаматериалы — это синтезированные поверхности, собранные из повторяющихся микроскопических узоров, которые взаимодействуют с электромагнитными волнами необычным образом. Настраивая формы и расстояния между элементами, исследователи могут создавать ультратонкие поглотители, поглощающие почти всё приходящее излучение, либо преобразователи, меняющие поляризацию волны — превращая, например, горизонтально ориентированный сигнал в вертикальный. Такие устройства жизненно важны для уменьшения радиолокационной заметности, снижения взаимных помех между каналами и увеличения плотности передачи информации в перегруженных частотных диапазонах спутниковых и беспроводных систем.

Доверить проект алгоритму

Традиционно инженеры корректируют проекты метаматериалов с помощью ручного перебора параметров или эвристических методов поиска, таких как генетические алгоритмы. Эти подходы могут быть медленными, требовательными к вычислениям и чувствительными к начальному приближению, особенно при большом количестве геометрических параметров. Авторы вместо этого используют метод обучения с подкреплением под названием Twin Delayed Deep Deterministic Policy Gradient (TD3). В этой схеме искусственный «агент» предлагает набор геометрических размеров ячейки метаматериала, физический симулятор оценивает, насколько хорошо этот проект поглощает или преобразует волны в целевом частотном диапазоне, и агент получает оценочный вознаграждающий балл. Итеративно повторяя цикл «предложить‑и‑оценить», агент постепенно обучается, какие конфигурации работают лучше, без явных формул или заранее обученных суррогатных моделей.

Создание лучшей губки для волн

Первой тестовой схемой стал ультратонкий микроволновый поглотитель, собранный из L‑образных медных дорожек над металлической подложкой, разделённых обычным слоем печатной платы. Цель — сильное поглощение — более 90 процентов — в максимально широком частотном диапазоне в полосах Ku и K, используемых для спутниковых каналов и радаров. Агент TD3 управляет четырьмя ключевыми геометрическими параметрами узора и взаимодействует напрямую с коммерческим электромагнитным симулятором. Поразительно, что уже через 23 итерации алгоритм сходится к конструкции, поглощающей более 90 процентов входящих волн в диапазоне от 12.2 до 22.4 гигагерц, что шире, чем у предыдущих вручную подобранных или алгоритмически оптимизированных версий с той же базовой компоновкой. Дополнительные испытания на иной, полностью диэлектрической оптической поглощающей структуре показывают, что та же схема обучения также повышает производительность в оптическом диапазоне, расширяя полезную полосу и увеличивая среднее поглощение.

Переворачивание поляризации

Далее авторы усложняют задачу: требуется спроектировать поверхность, отражающую приходящие волны при одновременном переворачивании их поляризации в широком частотном диапазоне. Они начинают с однопластинчатого узора, комбинирующего L‑образные медные дорожки с центральным треугольником на той же тонкой подложке и металлической подложке. И снова агент TD3 настраивает геометрические детали. Примерно через 81 итерацию он находит конфигурацию, которая преобразует более 90 процентов отражённой мощности в ортогональную поляризацию в диапазоне от 11.8 до 24.2 гигагерц — покрывая всю полосу Ku и большую часть K. Моделирование также показывает, что это высокое преобразование сохраняется для волн, падающих на поверхность под углами до 50 градусов, что полезно для реальных антенн и покрытий радиомаскировки.

От симуляции к лабораторному образцу

Чтобы проверить практичность найденных ИИ проектов, команда изготовила поверхность‑преобразователь поляризации стандартным фотолитографическим методом на массиве 40‑на‑40 элементарных ячеек. Измерения с рупорными антеннами и векторным анализатором цепей подтвердили сильное перекрёстно‑поляризованное отражение почти в том же диапазоне, который предсказывали моделирования, с лишь умеренными отличиями, обусловленными погрешностями изготовления и конечным размером образца. По сравнению с другими описанными устройствами эта однослойная структура достигает сопоставимой или лучшей ширины полосы и эффективности, оставаясь при этом компактной и не требуя дополнительных электронных компонентов.

Что это означает в будущем

Показав, что агент обучения с подкреплением TD3 может быстро находить высокоэффективные, готовые к изготовлению проекты метаматериалов, эта работа указывает на новый подход к созданию устройств управления светом и радиоволнами. Вместо утомительного ручного исследования пространства дизайнов исследователи могут задавать цель — например широкополосное поглощение или надёжное преобразование поляризации — и позволять алгоритму обучения искать в обширном ландшафте возможностей. Подход достаточно универсален, чтобы выходить за рамки поглотителей и поляризаторов и применяться к многим другим фотонным и микроволновым компонентам, потенциально ускоряя инновации во всём, от низкопрофильных антенн до оптических датчиков и поверхностей для сбора энергии.

Цитирование: 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

Ключевые слова: метаматериальный поглотитель, преобразователь поляризации, проектирование методом обучения с подкреплением, широкополосные микроволновые устройства, оптическая оптимизация