多功能可移动活字编码超表面，实现可重构的衍射神经网络

用光与波构建更智能的机器

当今大部分人工智能运行在耗能的电子芯片上。本文探讨了一条截然不同的路径：利用精心设计的表面，让电磁波本身承担“思考”过程。通过物理上控制微波的传播和散射，研究人员创建了能识别手写体、投射全息图，甚至监测呼吸的硬件系统——所有这些都使用同一套可重复使用的构件完成。

用于控制波的一套乐高积木

这项工作的核心是一种新型“超表面”，即一块薄面板，上面布置着许多微小的金属单元，可以以精确的方式弯曲、延迟或透射电磁波。研究团队借鉴了古老活字印刷的理念：这些单元不是固定的，而是可拆卸的“活字”——每个“元原子”都是可插拔的模块。作者设计了八种这样的模块，每种模块在约14 GHz 的微波下产生不同的相位延迟。通过将数百个模块拼装成网格，他们可以快速地把同一块硬件重新组装成多种不同的功能装置，就像重新排列印刷活字来排出新的一页文字一样。

把超表面变成物理神经网络

为了展示这种模块化思想的强大，研究人员在输入掩模和输出平面之间叠置了三块可重构面板，构成了他们所谓的可移动活字可重构衍射神经网络（MT-RDNN）。在这里，不是计算机里的数字，而是微波作为信号在层间流动。代表手写数字的图样被切割在一块金属板上；通过该掩模的微波随后穿过三层超表面。每层中模块的精确排列通过计算机训练得到，类似于对传统神经网络的优化。训练完成后，波自然地将能量聚焦到输出平面上的特定区域，每个区域对应一个数字类别。

通过重排模块适应新任务

这种方法的一个关键优势是可以在不从头重建的情况下将网络重新用于新任务。在将分层超表面训练为识别四个手写数字之后，团队将同一硬件改造用于分类四个英文字母。他们并没有重置所有模块，而是保持前两层不变，仅调整最后一层的一部分模块。通过在物理层面应用迁移学习策略，他们保留了大部分既有结构，仅微调必要部分。这使训练和手动重装时间减少超过三分之二，同时在数字和字母识别的实验中仍然获得了超过92%的准确率。

从全息图到非接触呼吸监测

同样的可移动活字超表面也可作为独立的功能薄片使用。借助单层模块，作者生成了微波全息图——在表面后方某一平面形成的二维强度图样，例如字母“T”或类似标志的“CM”。他们使用基于梯度的算法计算最佳模块配置，以最大化期望图样与预测场之间的相似度。在另一项演示中，他们将微波引导并紧密聚焦到站在附近人员的胸部上。由呼吸引起的细微运动会调制反射信号，然后用称为变分模态分解的信号处理方法进行分析。在对两位不同志愿者、不同位置的测试中，超表面被重新配置，使每个人的胸部成为焦点，从而实现与可穿戴参考传感器一致的精确非接触呼吸频率跟踪。

这对未来智能设备意味着什么

简言之，这项工作展示了如何用插拔式模块组成的一块可重复使用“波芯片”，仅通过重排其组件就能为截然不同的任务重新调谐——识别图像、形成全息图或监测生命体征。机械重配置比切换电子开关慢，但通过仅更改一部分模块并借鉴迁移学习的思路，作者将成本和工作量控制在合理范围内。他们的方法指向了灵活、低功耗且可适应任务的硬件，这类硬件将部分人工智能工作直接放在波的物理学中运行，可能为新型智能通信系统、交互界面和健康监测设备开辟道路。

引用: 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

关键词: 超表面, 光学计算, 衍射神经网络, 全息术, 生命体征检测