隐身是人类梦想中的超能力之一，也是科学界的重要挑战。北京时间3月24日，光学领域顶尖期刊《自然·光子学》(Nature Photonics,最新影响因子31.583)在线报道了浙江大学信息与电子工程学院陈红胜教授课题组的一项最新研究。课题组在国际上率先实现基于深度学习的新一代智能隐身器件，在不依赖任何人为操控的情况下，快速地动态适应变化的背景环境，从而与背景电磁环境特征融为一体，实现自适应隐身。
浙江大学信息与电子工程学院2017级博士研究生（硕博连读）钱超是论文的第一作者，陈红胜教授是论文的通讯作者，浙江大学为第一完成单位。合作者包括浙江大学郑斌副教授、沈练博士、李尔平教授以及麻省理工学院沈亦晨博士和靖礼博士。审稿专家认为，“这是一项激动人心的、及时而杰出的工作，它连接了变换光学、电磁超材料和人工智能等领域，为智能光子材料和器件这个新兴领域树立了很好的标杆，也将大大促进其他智能电磁器件的发展。”
自然界的“隐身高手”
自然界存有两种“隐身衣”，是生物的生存利器。一种是“螳螂伺蝉自障叶，可以隐形”，螳螂匿藏于树叶之中，其颜色纹理和背景相似，有利于埋伏或进攻，这种拟态隐身在变色龙和章鱼等头足类生物中最为常见；另一种是透明隐身，即光透过物体时不产生任何散射，例如海樽和水母。
近些年，随着变换光学和新型人工电磁材料的发展，隐身相关的科学研究飞速发展。变换光学隐身方法区别于上述两种策略，它是利用坐标变换的方法来控制电磁波，使其能够绕过被隐身的区域，按照原来的方向传播，从而达到物体完全隐形的目的。变换光学隐身理论自提出后便激发了科研人员的研究热情。随后的十几年，大量理论和实验工作涌现，从微波到光频，从二维到三维，从自由空间到地毯式隐身，从电磁波到声波水波，极大地促进了隐身领域的发展。
然而，与自然界的“隐身衣”相比，人类的“隐身衣”研究仍然存在电磁参数苛刻、设计制备困难、频带窄、色散严重等重要挑战，导致多数只能工作在单一的环境背景和既定的入射波条件。如果稍加改变外界环境或者入射波，隐身效果便会大幅度降低。
“理想的隐身衣应该和章鱼和变色龙一样，能够快速自动地适应于变化的外界刺激和背景环境。”陈红胜教授说。章鱼表皮中含有许多色素细胞，包括黑，红，黄，白等类型。针对不同的背景环境，周围的肌纤维瞬间扩张和收缩色素细胞，从而改变皮肤的颜色纹理，使其与背景融合。而且，对于温度、光线和机械等外界刺激，章鱼也能随之响应，实现趋利避害。
图：章鱼的自适应隐身及其表皮结构
让隐身更“智能”
如何才能像章鱼和变色龙一样自适应于变化的外界刺激和背景环境？2017年还是硕士研究生的钱超就开始着手解决这一难题。如果这一问题得到解决，不仅可以将隐身应用在动态的、开放的、复杂的场景之中，还可以促进其他许多智能电磁材料和器件的发展,在国防、航天、海洋等技术领域发挥重要的作用。
“章鱼有色素细胞，我们有可重构的新型人工电磁材料单元；章鱼有中枢神经，我们有深度学习方法；章鱼有光敏细胞，我们可以搭建电磁波和环境探测器。”钱超说道。
话虽简单，但从无到有搭建一整套智能隐身系统又谈何容易。当前，深度学习已经开始渗入电磁材料领域，但是，主要偏重于理论上设计优化人工电磁材料，例如纳米光子和手性材料等。如何在实验上实现新型的智能电磁材料、构建新一代智能隐身系统并实现快速有效的自适应隐身，是一个极具挑战的课题，在此之前还未见成功实验的报道。
经过三年多的不懈努力，陈红胜研究团队组在充分研究隐身领域关键技术瓶颈的基础上，在微波段成功实现了智能自适应隐身器件。研究团队提出了新一代智能隐身系统框架；建立了一套完整的时域电磁仿真模型，通过揭示隐身的瞬态响应机制，用于验证想法的可行性；搭建电磁环境探测器和实验控制系统，设计智能电磁隐身材料，实验采集数据进行深度学习训练。
图：智能隐身系统框架
无需人为操控，15毫秒“换装”
研究团队设计了一项小车智能隐身实验。探测雷达随机改变着入射波的频率、极化和入射角，而小车的任务，就是要能动态适应变化的探测信号，对雷达“隐身”。钱超介绍，小车身披一层超薄的可重构的超表面隐身材料，这身“隐身衣”由智能芯片控制，它集成了训练好的深度学习模型，能够根据输入的电磁信息快速做出决策，改变“隐身衣”的电磁响应。
当小车自由行使在凹凸不平的地面时，电磁环境探测器实时感知入射波和小车所处的背景环境，并把信息传给智能芯片。我们知道，当环境发生变化，变色龙大约需要6秒时间过度到环境色；而当电磁环境发生变化时，披着智能隐身衣的小车只需要15毫秒就能自动地实时“换装”，免于电磁波的探测。为了测试智能隐身衣的性能，陈红胜教授课题组开展了大量的实验，从近场成像和远场散射截面测量等多方面验证了智能隐身衣样机的可行性和鲁棒性。
图：智能隐身实验装置
陈红胜教授认为，智能隐身成功地融合了新型电磁材料和人工智能等领域，与传统的适应性光学不同，智能隐身采用硬件的手段实现用于隐身调控的深度学习模型，在应用中只需单次前向计算即可做出合理的决策，大大地缩短了响应时间，这一方法对于实时性要求很高的其他应用也有很好的借鉴意义。
论文评审专家认为，虽然目前有不少研究工作将机器学习用来设计光子材料，但很少有实验工作被报道。因此这项研究有很好的标杆意义。
该工作受到国家自然科学基金委杰出青年基金项目、国家青年拔尖人才计划等项目资助。博士研究生钱超受到2018年浙江大学博士研究生学术新星培养计划的资助。
论文链接：
https://www.nature.com/articles/s41566-020-0604-2
文 | 涵冰
图 | 课题组
编辑 | 周炜
来源 | 浙江大学学术委员会