超表面逆向设计：伴随方法如何让光子器件自动进化

引言：设计图上的完美，为什么造不出来？

超表面领域有一个经典困境：仿真软件里的理想响应非常漂亮——完美的相位控制、接近 100% 的透射效率——但流片回来，性能缩水一半。2026-08-02 那篇《超表面为什么怕加工误差》已经从工艺角度拆解过这个问题。

但问题的另一半在于设计方法本身。

传统的超表面设计流程是”单元库扫描”：预计算几百种 pillar 的相位和透射率，搭积木一样拼出目标相位分布。这个方法有两个致命假设：

1. 单元间无耦合——pillar A 的响应不受相邻 pillar B 的影响；
2. 无限周期近似——用周期边界条件算的单元响应，直接搬到非周期排布中。

当 pillar 间距接近波长时，这两个假设都靠不住。耦合效应会让实际相位偏离单元库预测值 10°–30°，这在需要精确波前控制的超透镜中就是灾难。

图 1：NIST 的流体可调谐超表面，由铜谐振结构和塑料管组成。超表面设计中的单元间耦合效应是传统单元库方法的核心误差来源。来源：NIST（Public Domain）。

那么问题来了：能不能让计算机自己去”进化”出最优结构，而不是人工搭积木？

这就是逆向设计（inverse design）的核心命题。而让逆向设计成为可能的数学工具，叫做伴随方法（adjoint method）。

正向 vs 逆向：从”给定结构算响应”到”给定响应找结构”

我们先厘清两个方向：

• 正向设计（forward design）：给定几何结构 $\epsilon(\mathbf{r})$，求解 Maxwell 方程得到电磁场分布 $\mathbf{E}(\mathbf{r})$ 和目标函数值 $F$（比如透射效率）。重复此过程直到满意。
• 逆向设计（inverse design）：给定目标光学响应（比如”在波长 1550 nm 处将光从端口 1 耦合到端口 2，效率 > 90%”），让算法自动搜索 $\epsilon(\mathbf{r})$。

传统单元库扫描是正向设计——你需要知道”什么结构产生什么相位”。逆向设计把这个逻辑倒过来：告诉计算机你要什么结果，它自己算出该用什么结构。

Molesky 等（2018）在 Nature Photonics 的综述中，将逆向设计分为三类（S1）：

1. 形状优化（shape optimization）：结构边界连续变化，优化边界位置和曲率；
2. 拓扑优化（topology optimization）：每个像素独立决定是介质还是空气，自由度可达 $10^4$–$10^6$ 级别；
3. 直接二值搜索：启发式地翻转像素状态，不需要梯度。

其中前两类依赖梯度信息——也就是需要知道”改这个像素（或移动这段边界），目标函数会变好还是变坏”。问题在于，当设计变量的数量是十万甚至百万级别时，你不可能一个个去试。

图 2：超表面镜的负反射现象。超表面通过亚波长结构实现对光场的精确调控——微小的几何变化就能产生截然不同的光学响应，这正是逆向设计需要高效梯度计算的原因——微小的几何变化就能产生截然不同的光学响应，这正是逆向设计需要高效梯度计算的原因。来源：Yang 等（CC BY 4.0）。

伴随方法：为什么一次仿真就能算出百万个梯度

这是整篇文章最关键的洞察。

假设你的设计有 $N$ 个参数（比如 $N$ 个像素的介电常数，或 $N$ 个 pillar 的宽度）。传统有限差分求梯度需要做 $N+1$ 次完整电磁仿真：一次基准仿真 + $N$ 次依次微扰每个参数的仿真。$N=10^5$ 时，这在计算上是不可行的。

伴随方法的魔力在于：无论 $N$ 多大，你只需要两次仿真——一次正向（求解 $\mathbf{E}$）和一次伴随（求解 $\mathbf{E}_{adj}$）——就能得到所有 $N$ 个参数的梯度（S2）。

数学直觉（不是严格推导）

考虑一个简单的类比：你要优化一个函数 $f(x_1, x_2, \dots, x_N)$。暴力求梯度需要计算 $\partial f/\partial x_i$ 共 $N$ 次。但如果 $f$ 具有特殊结构——比如 $f(\mathbf{x}) = |A\mathbf{x} - \mathbf{b}|^2$——那么 $\nabla f = 2A^T(A\mathbf{x}-\mathbf{b})$ 可以一次性算出，计算量与 $N$ 无关。

Maxwell 方程组恰好具备类似的结构。在线性、无源介质中，Maxwell 算符 $\mathcal{L} = \nabla \times \nabla \times - k_0^2\epsilon(\mathbf{r})$ 是自伴的（self-adjoint）——这意味着正向问题和伴随问题共用同一个算符。这直接导致了”一次矩阵分解，两个问题求解”的计算效率（S2）。

伴随梯度公式（电磁问题）

设目标函数 $F(\mathbf{E}, \epsilon)$ 依赖于电场和介电常数分布。介电常数对目标函数的总导数可以写为：

$$\frac{dF}{d\epsilon(\mathbf{r})} = k_0^2 \Re\left[\mathbf{E}_{adj}(\mathbf{r}) \cdot \mathbf{E}(\mathbf{r})\right]$$

其中 $\mathbf{E}$ 是正向场（实际光源激励），$\mathbf{E}_{adj}$ 是伴随场。伴随场的物理含义取决于目标函数——如果 $F$ 是某个端口的透射功率，那么伴随源就放置在那个端口，强度正比于 $\partial F/\partial \mathbf{E}$（S2、S5）。

这个公式的美妙之处在于：梯度在空间每个点上都有定义。你不是在猜”宽一点会不会好”，而是在空间每一点上都知道”这里加材料会提高还是降低目标函数”。这使得基于梯度的优化器（如 L-BFGS 或 Adam）可以高效地在百万维空间中搜索。

工程实践：伴随方法如何在真实器件中落地

标志性案例：2.8 × 2.8 μm 的波长解复用器

Piggott 等（2015）在 Nature Photonics 上报道了一个用伴随方法设计的片上波长解复用器（S3）。该器件将 1300 nm 和 1550 nm 两个波长分开，整体尺寸仅 2.8 × 2.8 μm——比传统设计小一个数量级。

设计过程：

1. 将设计区域划分为像素网格（介电常数连续变化）；
2. 定义目标函数：最大化 1300 nm 端口输出，同时最大化 1550 nm 端口输出；
3. 每次迭代：跑一次正向 FDTD → 跑一次伴随 FDTD → 计算梯度 → 更新介电常数分布 → 施加制造约束过滤 → 重复。

最终器件插入损耗约 1.5 dB，串扰低于 −11 dB，且实际加工测试结果与仿真吻合良好——证明伴随方法设计能经受制造公差考验（S3）。

拓扑优化 + 伴随：从连续到二值

伴随方法给出梯度后，还需要一个”决策层”决定如何更新结构。拓扑优化中的**密度法（density method）**是目前最流行的方案（S5）：

• 每个像素有一个 “密度” $\rho \in [0,1]$，通过插值公式映射到介电常数：$\epsilon(\rho) = \epsilon_{min} + \rho^p(\epsilon_{max}-\epsilon_{min})$；
• 惩罚指数 $p \geq 3$ 使得中间密度（0.3–0.7）在物理上不利，优化过程会自然推向 $\rho \to 0$ 或 $\rho \to 1$；
• 最后施加 Heaviside 投影，将所有像素强制二值化为硅/空气。

这套流程的工程挑战在于：二值化会导致”灰度”阶段的优秀性能突然崩坏。实践中需要配合鲁棒优化——在优化中加入多种制造误差扰动（如 ±10 nm 偏置），让最优解同时对所有扰动表现良好。这也直接呼应了前一篇文章讨论的”加工公差”问题。

图 3：基于超表面隐藏层的微波衍射人工神经网络。逆向设计方法正在被推广到此类复杂多层级超表面器件的设计中。来源：Qian 等（CC BY 4.0）。

伴随方法的局限与待解决问题

尽管伴随方法 + 拓扑优化的组合在学术界已近成熟，工程应用中仍面临几个核心挑战：

1. 局部最优陷阱。 伴随方法提供的是局部梯度，在高度非凸的设计空间中，初始猜测决定了最终收敛到哪个局部最优点。对于某些问题（如宽带优化），随机重启多次是必要的（S1）。

2. 最小特征尺寸控制。 拓扑优化天然倾向于产生”椒盐噪声”——相邻像素交替出现硅和空气。这虽然数学上是最优解，但制造上不可行。需要额外的长度尺度滤波器（S5）。

3. 计算资源门槛。 一次 FDTD 伴随仿真对 $10^5$ 像素的二维问题需要数分钟至数十分钟，三维问题则是数小时。每个优化需要数百到数千次迭代。GPU 加速和模型降阶是活跃研究方向。

4. 制造公差与设计鲁棒性。 如 2026-08-02 文章所述，逆向设计产出的高 Q 谐振结构对加工误差极其敏感。在优化目标中显式加入误差扰动的鲁棒优化，正在成为标准实践（S1）。

5. 与 AI 生成式方法的关系。 近期有工作用生成对抗网络（GAN）或扩散模型直接”生成”器件结构。伴随方法不需要训练数据、物理上严格，但灵活性不如数据驱动方法。两者的融合——用伴随方法为神经网络提供物理正则化——是目前最值得关注的前沿方向。

总结

伴随方法改变了超表面设计的范式：从”人脑猜结构 → 仿真验证”的人工迭代，变为”定义目标 → 梯度引导自动搜索”的计算驱动流程。它的核心优势——梯度计算代价与设计参数数量无关——在高自由度问题中带来了数量级的效率提升。

但它不是银弹。局部最优、制造约束、计算成本、以及与传统方法的互补关系，都需要设计者清醒判断。对工程师而言，理解伴随方法的”能”与”不能”，比学会跑一个开源代码重要得多。

参考资料

• [S1] Molesky, S. et al. “Inverse design in nanophotonics.” Nature Photonics 12, 659–670 (2018). https://www.nature.com/articles/s41566-018-0246-9
• [S2] Lalau-Keraly, C.M. et al. “Adjoint shape optimization applied to electromagnetic design.” Optics Express 21, 21693–21701 (2013). https://opg.optica.org/oe/fulltext.cfm?uri=oe-21-18-21693
• [S3] Piggott, A.Y. et al. “Inverse design and demonstration of a compact and broadband on-chip wavelength demultiplexer.” Nature Photonics 9, 374–377 (2015). https://www.nature.com/articles/nphoton.2015.69
• [S4] Sun, J. et al. “Large-scale nanophotonic phased array.” Nature 493, 195–199 (2013). https://www.nature.com/articles/nature11727
• [S5] Jensen, J.S. & Sigmund, O. “Topology optimization for nano-photonics.” Laser & Photonics Reviews 5, 308–321 (2011). https://onlinelibrary.wiley.com/doi/10.1002/lpor.201000014
• [S6] Miller, O.D. “Photonic design: From fundamental solar cell physics to computational inverse design.” JOSA B 27, A27 (2012). https://opg.optica.org/abstract.cfm?uri=JOSAB-27-10-A27