Deep learning enabled inverse design of terahertz chiral metasurface based on InSb for dual-functional sensing Chenguang Rong, Ling Wu, Lingling Yang, Bin Cai, Yongzhi Cheng, Fu Chen, Hui Luo, Xiangcheng Li 武汉科技大学电子信息学院、教育部冶金自动化与检测技术工程研究中心；湖北工程学院物理与电子信息工程学院；武汉软件工程职业学院（武汉开放大学）电子工程学院、湖北省复杂零部件智能检测与识别工程研究中心；武汉科技大学教育部高温电磁材料与结构重点实验室 Optics and Laser Technology，2026 / 200 10.1016/j.optlastec.2026.115185 该工作提出一种基于双专家预测网络与逆向设计网络的深度学习框架，用于高效反向设计InSb太赫兹手性超表面，并实现温度/折射率双功能传感。 核心价值在于把“目标CD光谱→结构参数→器件性能”的设计链条数据驱动化，但结论目前仍以仿真验证为主。
太赫兹手性超表面的圆二色性可用于生物监测、偏振操控和通信传感，但传统FEM/FDTD逐参扫描设计成本高、效率低，难以应对多参数耦合下的强非线性映射。 同时，实际器件不仅要获得高CD峰值，还希望具备双频工作、窄带高Q值以及环境可调能力。对InSb这类温敏半导体而言，结构参数、材料色散与光谱响应之间的耦合更复杂。 本文聚焦的关键问题是：能否构建一个既能精准预测CD光谱、又能从目标光谱快速反推出结构参数的深度学习框架，并据此设计出兼具高性能与可调谐性的双功能太赫兹传感器。 多达10个几何自由度与50维CD光谱之间存在高度非线性映射
共振峰附近误差更敏感，普通前向网络难兼顾全谱与峰值区精度
本文要解决的核心问题，是如何把复杂手性超表面的“高维结构设计”转化为可训练、可逆的高精度映射问题。
作者设计了一个τ形InSb/Cu手性超表面：顶层InSb谐振器打破镜像与高阶旋转对称性，底部铜层充当反射基底，在1.296 THz与1.638 THz产生双频圆二色性。CD定义为RCP与LCP吸收差值，因此其本质是自旋选择性吸收。 方法上，前向预测采用DEPN。EN1负责学习完整CD光谱，含显式二次项张量模块以增强高阶参数交互表征；EN2专注关键峰值区域。二者通过注意力加权融合，在保留全谱一致性的同时提升峰区预测精度。 在此基础上，IDN再学习“目标CD光谱→结构参数”的逆映射，实现按需设计。整个流程避免大量全波扫描，把器件设计从仿真主导转为数据驱动主导。 1.生成5,000组结构参数—CD光谱数据，并对10维参数做标准化。
2.用DEPN学习前向映射，其中EN1预测全谱、EN2强化关键频段。
4.训练IDN，从目标CD光谱反推出10个结构参数。
5.将逆向预测参数送入CST，再验证吸收、CD、Q值及传感性能。
提出双专家预测网络DEPN，兼顾全谱建模与峰区精修
将前向预测与逆向设计串联，实现CD目标驱动的结构反推
在可调InSb平台上实现双频手性响应与温度/折射率双功能传感
text
输入结构参数 P→ EN1：预测完整CD光谱 S_EN1→ EN2：预测关键频段光谱 S_EN2→ Attention Combiner：在关键区域加权融合→ 得到最终光谱 S_final→ IDN：由目标光谱 S 反推结构参数 P'→ CST仿真验证器件响应
相比单一前向网络，本文的本质差异是把“全局光谱建模”和“关键峰值拟合”解耦后再融合。
实验以CST仿真数据为基础，构建5,000个样本训练集，并随机选取300个样本用于验证。评估既覆盖模型误差，也覆盖器件级物理响应与传感指标。 此外，作者进行了消融实验，比较EN1、EN2与DEPN，并将IDN预测的参数重新送回电磁仿真，验证逆向设计结果是否真正对应目标CD特征。 •测试集平均RMSE：0.019，对比对象为真实CD光谱
•大多数样本RMSE：< 0.030，对比对象为300组验证样本分布
•Full RMSE：DEPN 0.2097，对比EN1为0.2387、EN2为0.2370
•Key RMSE：DEPN 0.2091，对比EN1为0.2361、EN2为0.2376
•1.296 THz处RCP吸收：94.78%，对比LCP为6.75%
•1.638 THz处LCP吸收：88.48%，对比RCP为16.37%
•CD峰值：-0.880、0.721，对比双频目标响应
•温度灵敏度：4.09、7.32 GHz/K，对比两个共振频点
•折射率灵敏度：980.2、963.8 GHz/RIU，对比两个共振频点
最关键的性能结论是：该框架不仅把CD预测误差压到0.019，还设计出具有双频强手性响应和高灵敏双功能传感能力的InSb超表面。
构建了适用于手性超表面的前向预测—逆向设计一体化深度学习框架
证明双专家注意力融合能有效提升共振峰关键区域的CD预测精度
实现了基于InSb的双频、可调谐、双功能太赫兹手性传感器设计
给出了从模型误差、物理机理到器件应用的较完整验证链条
该工作推动了手性超表面从“仿真优化”向“目标光谱驱动的智能设计”范式转变。
论文的主要结果仍建立在数值仿真与数据集验证之上，尚缺少真实器件制备与太赫兹实验测量闭环。其次，温度调谐在线性最优区间主要集中在290–310 K，超出范围后CD响应会明显退化。 另外，尽管作者讨论了加工误差、侧壁倾斜和材料波动对性能的影响，并提出鲁棒性训练思路，但模型对制造偏差的容忍度仍需实验定量评估。 ☑制造误差补偿与关键参数鲁棒性分析已被部分验证但仍需扩展
☐评估逆向设计在更多分析物和更大参数空间中的泛化能力
最重要的下一步方向，是把“深度学习反向设计”与“真实制备测试反馈”闭环打通。
这篇论文把深度学习用于InSb太赫兹手性超表面的快速反向设计，通过DEPN+IDN实现了从目标CD光谱到结构参数的高效映射。结果表明，该器件兼具双频强圆二色性、较高Q值以及温度/折射率双功能传感能力。若后续完成实验闭环，其方法有望成为可调手性光子器件设计的重要工具。 用数据驱动替代逐参扫描，正在让复杂手性超表面的“按谱定制”成为现实。
Figure 1
（a）基于CMSs传感器在葡萄糖溶液中的检测应用，(b) DL框架概览，(c) CMSs中选择性吸收机制示意图。
Figure 2
（a）双波段CMS产生CD原理示意图，(b) 用于将结构参数（P）映射到CD光谱（S）的DEPN，(c) DL的整体框架，(d) EN1从参数（P）预测光谱（S），(e) 逆向设计从目标光谱（S）预测参数（P'）。
Figure 3
（a）EN1、EN2、IDN和EN1 + EN2的训练损失函数，(b) 用300个样本数据集验证训练模型所得到的CD值的RMSE分布，(c) 按频率点统计的CD误差，(d) 关键区域内各频率点的注意力权重分布，(e) 平均注意力权重（实线）及标准差误差带，表示对EN2的平均依赖及其样本间变异性。
Figure 4
十个结构参数（a、b、c、l、tg、θ1、θ2、θ3、w1和w2）的Parameter_errors与CD_RMSE散点图。
Figure 5
（a）DEPN预测的CD光谱与真实值之间的比较，(b) IDN预测的10个参数与真实参数之间的比较。
Figure 6
（a）基于预测参数的模拟手性选择性吸收光谱（左）和CD光谱（右），(b) 在共振频率（f1和f2）处LCP和RCP照射下CMS单元在x–y平面中的电场分布。
Figure 7
（a,c）所设计CMS在不同环境T/n下的CD光谱。(b,d) 共振频移（低频：紫色方块；高频：绿色圆点）及其对应的关于T/n的线性拟合曲线。
10个月宝宝每天需要喝多少奶粉？
