Optimering av bredbandsmetamaterialabsorber med hjälp av Twin Delayed Deep Deterministic Policy Gradient-förstärkningsinlärning

Undervisningsmaterial för att tämja vågor

Moderna trådlösa länkar, satellit-TV och radar förlitar sig alla på att formge osynliga vågor på mycket precisa sätt. Ingenjörer designar nu "metamaterial" – små mönstrade ytor – som kan absorbera oönskade signaler eller vrida deras polarisation för tydligare kommunikation och steganvändning. Denna artikel visar hur en form av artificiell intelligens, förstärkningsinlärning, kan automatiskt upptäcka högpresterande konstruktioner för dessa invecklade strukturer och göra på några timmar vad som annars kan kräva veckors expertförsök och fel.

Varför vågformning är viktig

Metamaterial är konstruerade ytor byggda av upprepande mikroskopiska mönster som interagerar med elektromagnetiska vågor på ovanliga sätt. Genom att justera form och avstånd i dessa mönster kan forskare skapa ultratunna absorbenter som suger upp nästan all inkommande strålning, eller omvandlare som vänder en vågs polarisation — och förvandlar till exempel en horisontellt orienterad signal till en vertikal. Sådana enheter är avgörande för att minska radarsignaturer, minska störningar mellan kanaler och packa mer information i trånga frekvensband som används av satellit- och trådlösa system.

Låta en algoritm göra designen

Traditionellt justerar ingenjörer metamaterialdesigner med manuella parameterrörelser eller heuristiska sökmetoder som genetiska algoritmer. Dessa tillvägagångssätt kan vara långsamma, beräkningsintensiva och känsliga för startgissningar, särskilt när det finns många geometriska rattar att vrida på. Författarna vänder sig istället till en förstärkningsinlärningsmetod kallad Twin Delayed Deep Deterministic Policy Gradient (TD3). I detta upplägg föreslår en artificiell "agent" ett set geometriska dimensioner för metamaterialcellen, en fysiksimulator utvärderar hur väl den designen absorberar eller omvandlar vågor över ett målfrekvensband, och agenten får en belöningspoäng. Genom att iterera denna föreslå‑och‑poängsatta loop lär sig agenten gradvis vilka mönster som fungerar bäst, utan att behöva explicita formler eller förtränade ersättningsmodeller.

Bygga en bättre vågsvamp

Det första testobjektet är en ultratun mikrovågsabsorber byggd av L-formade kopparspår ovanpå en metallbakgrund, separerade av ett vanligt kretskortsmaterial. Målet är stark absorption — över 90 procent — över så bredt frekvensområde som möjligt i Ku- och K-banden som används för satellitlänkar och radar. TD3-agenten styr fyra nyckelgeometriska egenskaper i mönstret och interagerar direkt med en kommersiell elektromagnetisk simulator. Anmärkningsvärt är att algoritmen inom endast 23 iterationer konvergerar till en design som absorberar mer än 90 procent av inkommande vågor från 12,2 till 22,4 gigahertz, ett bredare band än tidigare handanpassade eller algoritmiskt optimerade versioner med samma grundläggande layout. Ytterligare tester på en annan, hel‑dielektrisk ljusabsorber vid optiska frekvenser visar att samma inlärningsramverk också kan förbättra prestanda där, genom att breda användbart band samtidigt som medelabsorptionen ökar.

Vända polarisationen upp och ner

Författarna utmanar sedan metoden med en mer komplex uppgift: att designa en yta som reflekterar inkommande vågor samtidigt som den vänder deras polarisation över ett brett frekvensspann. De börjar från ett enkellagerformat mönster som kombinerar L‑formade kopparspår med en central triangel ovanpå samma tunna substrat och metallbaksida. Återigen justerar TD3‑agenten de geometriska detaljerna. Efter cirka 81 iterationer hittar den en konfiguration som omvandlar mer än 90 procent av reflekterad effekt till orthogonal polarisation från 11,8 till 24,2 gigahertz — vilket täcker hela Ku‑bandet och större delen av K‑bandet. Simuleringar visar också att denna höga omvandling kvarstår för vågor som träffar ytan i vinklar upp till 50 grader, en önskvärd egenskap för verkliga antenner och stealth‑beläggningar.

Från simulering till labbbänk

För att kontrollera att dessa AI‑upptäckta designer är praktiska tillverkar teamet den polarisation‑omvandlande ytan med standardfotolitografi på en 40×40‑matris av enhetsceller. Mätningar med hornantenner och en vektornätverksanalysator bekräftar stark korspolariserad reflektion över nästan samma band som simuleringarna prognosticerade, med endast måttliga skillnader på grund av tillverkningstoleranser och den ändliga provstorleken. Jämfört med andra rapporterade enheter uppnår denna enkellagersstruktur jämförbar eller bättre bandbredd och effektivitet samtidigt som den förblir kompakt och fri från tillagda kretskomponenter.

Vad detta betyder framöver

Genom att visa att en TD3‑förstärkningsinlärningsagent snabbt kan hitta högpresterande, fabrikationsfärdiga metamaterialdesigner pekar detta arbete mot ett nytt sätt att konstruera enheter som styr ljus och radiovågor. Istället för att mödosamt utforska designrum för hand kan forskare definiera ett mål — såsom bredbandsabsorption eller robust polarisationomvandling — och låta inlärningsalgoritmen söka i det enorma landskapet av möjligheter. Tillvägagångssättet är tillräckligt generellt för att sträcka sig bortom absorbenter och polariserare till många andra fotoniska och mikrovågskomponenter, vilket potentiellt kan snabba på innovation inom allt från lågprofilsantenner till optiska sensorer och energiskördande ytor.

Citering: 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

Nyckelord: metamaterialabsorber, polariseringsomvandlare, förstärkningsinlärningsdesign, bredbandsmikrovågsenheter, fotonic optimering