研究背景

太赫兹频段通常位于0.1–10 THz，处在微波与红外之间。其非侵入、非电离、高穿透以及对材料性质敏感等特点，使其在无损检测、安全检查、生物医学、光谱分析和6G无线通信等方向具有重要价值。

由人工设计的超材料和超表面能够通过亚波长单元的几何形状、尺寸、材料和排布调控电磁响应。围绕太赫兹波的吸收、调制、滤波、传感和探测，研究人员已发展出超构吸收器、调制器、滤波器、传感器、探测器以及可调谐多功能器件，并不断探索石墨烯、VO₂、GST、连续谱束缚态和电磁诱导透明等材料与物理机制。

但高性能器件往往对应高维、多目标的设计空间：低损耗、宽带、偏振选择性和加工约束需要同时考虑，不同结构还可能产生相近的目标光谱。传统参数扫描和局部优化高度依赖经验与全波仿真，不仅耗时，也容易遗漏多组可行解。

人工智能为这一问题提供了新的工具。通过学习结构参数与电磁响应之间的映射关系，模型可以承担快速性能预测、目标驱动逆向设计和多候选拓扑生成等任务，从而把物理建模、数值计算与器件搜索连接为更高效的数据驱动流程。

导读

本文从太赫兹超构器件、人工智能设计方法和先进光电子应用三个维度梳理领域进展。文章先总结六类代表性器件，再讨论前向预测、逆向设计、进化算法、强化学习、扩散模型、Transformer、大语言模型和物理信息学习，最后讨论衍射神经网络、光学神经网络及MAFT-ONN等光计算硬件在仿真加速、器件优化和实时信号处理中的作用。

主要研究内容

文章以传统迭代流程为起点，比较人工经验驱动设计与数据驱动方法的差异，并围绕器件类型、算法路径、物理约束和硬件实现建立完整的发展脉络。

图1：传统太赫兹超构器件的迭代设计流程，包括需求分析、材料与结构选择、建模仿真以及加工表征。

1. 梳理太赫兹超构器件的技术版图

综述覆盖吸收器、调制器、滤波器、传感器、探测器和多功能器件。吸收器强调窄带高Q或宽带高吸收；调制器利用电、热、磁或相变机制调控幅度、相位和偏振；滤波器服务于微型光谱、成像和通信选频；传感器与探测器面向痕量物质、气体、生物样本和弱信号检测；多功能器件则通过材料相变、结构重构或多物理耦合，在不同工作状态之间切换。上述器件共同支撑6G通信、太赫兹成像、生物传感、光谱分析、光计算和安全检查等应用。

2. 构建从前向预测到生成式逆向设计的方法谱系

从方法谱系看，文章将AI辅助设计概括为前向预测、逆向搜索与生成式设计。前向模型利用DNN、CNN或树模型替代部分全波计算；逆向设计则把神经网络代理模型与遗传算法、粒子群等优化器耦合，由目标频谱反推出结构。图2展示两条典型的物理—数据混合路径：PSO–FDTD闭环直接搜索满足目标响应的器件，DCNN–GA则以约3 ms的前向预测显著压缩迭代时间，并在0.2–2 THz范围内于约10 min获得目标反射结构。针对一对多映射，扩散模型等生成方法进一步把单一参数回归拓展到多候选拓扑生成，并结合物理与制造约束筛选结果。

图2：物理仿真与智能算法耦合的太赫兹逆向设计范式。（a）粒子群优化与FDTD联合搜索具有EIT型目标透射谱的Ge薄膜超表面调制器；（b）DCNN前向预测器与遗传算法联用，在0.2–2 THz范围内快速获得目标反射结构。

3. 面向有限数据引入物理与制造约束

太赫兹实验数据获取成本高、加工流程复杂，高质量实验数据仍相对有限。为缓解这一瓶颈，文章总结了物理保持型数据增强、主动学习、迁移学习、物理信息神经网络以及加工感知生成等策略。将麦克斯韦方程、材料色散、边界条件和最小特征尺寸作为先验，可减少不符合物理规律或工艺规则的输出；主动学习则优先选择最具信息量的样本参与补充训练，提高有限数据条件下的收敛与泛化能力。

4. 延伸至面向6G物理层的AI光计算

在AI辅助光计算部分，文章进一步区分D²NN、片上ONN与MAFT-ONN等平台。D²NN依靠多层衍射结构中的干涉和衍射完成被动推理；MAFT-ONN则面向6G物理层，将射频信号直接映射到光载波并在模拟域执行矩阵运算。图3所示架构通过空间—光谱超复用提升并行度，同时绕开传统模数转换的时延与能耗瓶颈，实现约120 ns的推理时延和约16.3 TOPS的计算吞吐率，可用于太赫兹认知无线电和调制格式识别等实时任务。

图3：面向6G物理层信号处理的MAFT-ONN光子处理器。系统利用空间—光谱超复用并行执行矩阵—向量乘法，并通过射频—光学直接转换绕开传统ADC瓶颈，实现约120 ns的推理时延与约16.3 TOPS的计算吞吐率。

文章亮点与综述价值

1. 建立器件、算法与应用的三维框架：将六类太赫兹超构器件、主要AI方法和六类应用场景并列组织，避免只按算法或器件单线梳理造成的割裂。

2. 阐述设计范式的演进与边界：从结构到响应的前向预测，推进到目标响应到结构的逆向设计，再扩展到面向一对多问题的生成式拓扑探索；同时区分器件级AI设计与光计算硬件平台。

3. 贯通数据、物理约束与可制造性：把实验数据稀缺、模型可解释性、泛化能力和加工规则纳入同一讨论，并总结主动学习、物理信息学习、潜空间约束和多尺度建模等可行方向。

结论和展望

本文围绕“器件—AI方法—应用场景”建立了人工智能辅助太赫兹超构器件设计的系统图景。前向模型降低性能评估成本，逆向方法缩短目标结构搜索过程，生成模型为一对多设计问题提供多样候选，而物理与加工约束决定这些方法能否走向可验证、可制造的器件。

面向实际应用，计算成本、实验数据质量、模型可解释性和跨结构泛化仍是关键挑战。未来可从专用硬件与并行计算、物理先验驱动学习、主动与迁移学习、多尺度协同优化以及光计算和量子光学硬件融合等方向推进。AI的价值并不在于替代电磁物理与实验验证，而在于把二者更有效地组织进可迭代、可解释且面向制造的设计闭环。