超表面光计算综述解读：从调控原理到片上光计算
这篇论文解读的是哪项工作
本文解读的是 2024 年 2 月发表在 Nanophotonics 上的综述：Optical computing metasurfaces: applications and advances（DOI 10.1515/nanoph-2023-0871，PMC 开放全文），作者是北京工业大学的周鸿强、赵崇利、满天龙、万玉红和北京理工大学的何聪、黄玲玲，论文以开放获取（CC BY 4.0）方式发表。
一句话概括：这篇综述把”超表面光计算”从头到尾梳理了一遍——先讲超表面凭什么能调控光（相位、振幅、偏振、频率四个自由度），再讲光计算的数字/模拟两条技术路线，最后分边缘检测、图像识别、逻辑运算、片上光计算四类应用逐一盘点代表性工作，并给出工程化挑战与展望。 对想快速建立这个领域全景认知的读者来说，它是一张很好的”地图”。
引言：电子计算的墙与光的出路
综述开篇先讲了一个紧迫问题：深度学习等 AI 技术对算力的需求是指数增长的，而传统电子计算的供给正逼近物理极限 [S1]。电子计算有几条绕不开的约束：电流流过导体有欧姆损耗，芯片功耗和发热越来越难控制；半导体器件的尺寸已经逼近量子极限，靠”把晶体管做得更小”换性能的路正在变窄；系统的体积和集成度也制约着算力部署 [S1]。
光计算提供了另一条路线。光有几个电子没有的先天优势 [S1][S4]：
- 高并行：一束光的不同波长、偏振、模式可以同时传输数据，互不干扰，天然支持大规模并行；
- 低功耗：光在无源器件中传播几乎不消耗能量，运算发生在”光穿过器件”的瞬间；
- 高速度：光以光速传播，响应速度快，延迟-带宽积高。
但传统光学系统也有大问题：体积大、难集成、元件功能单一。超表面的出现恰好补上了这块短板——它把光学元件压缩到近乎一张薄膜的厚度，而且可以用微纳加工像刻芯片一样批量制造 [S1]。图 1 是综述的总览图，从纳米结构、调控原理一直连到应用谱系。
图 1：论文原图——超表面光计算总览：从纳米结构单元、光场调控原理，到边缘检测、图像识别、逻辑运算与片上光计算等应用。来源：论文图 1（Nanophotonics 13(4), 2024，CC BY 4.0，仅作文献解读引用）。
表 1 把综述描述的电子计算与超表面光计算做了一张对比。
表 1：电子计算与超表面光计算的对比。来源：综述正文（S1）。
| 对比项 | 传统电子计算 | 超表面光计算 |
|---|---|---|
| 运算载体 | 电流（电子） | 光场（光子） |
| 并行能力 | 依赖核心数量，受功耗限制 | 波长/偏振/模式天然复用，高度并行 |
| 功耗 | 欧姆损耗、发热明显 | 无源传播近乎零功耗 |
| 速度 | 受 RC 延迟与时钟限制 | 光速传播，响应快 |
| 体积集成 | 芯片级但系统庞大 | 薄膜级，可与其他光学/电子元件集成 |
| 面临瓶颈 | 尺寸逼近量子极限 | 精度受微纳加工工艺限制、多层难以对准 |
超表面凭什么”算”：四个调控自由度
超表面是二维化的超材料：由亚波长的人工原子（meta-atoms）按特定几何排列构成。通过改变人工原子的形状、尺寸、材料、旋转角和排列方式，可以控制光的基本属性 [S1]。综述把它归纳为四个调控自由度。
相位是最核心的自由度，实现机制有三种 [S1]：
- 共振相位：利用纳米结构的电磁共振改变透射/反射光的相位和振幅，调节结构参数或材料即可控制；
- 传播相位：光在结构内传播时积累相位，调节结构横向尺寸改变有效折射率 $n_\text{eff}$，高度为 $h$ 的结构带来的相位延迟为
$$\Delta\phi=\frac{2\pi}{\lambda}n_\text{eff}h$$
- 几何相位（PB 相位）：圆偏振光通过各向异性结构时，交叉偏振分量携带额外相位，只与结构的旋转角 $\theta$ 有关。左旋圆偏振光入射时，输出可写为
$$E_\text{out}=J(\theta)E_L=E_R\exp(-i2\theta)$$
即 PB 相位 $\Phi_G=-2\sigma\theta$（$\sigma=\pm1$ 对应左右旋），相位大小是旋转角的两倍，而且与波长无关 [S1]。
振幅调控基于惠更斯-菲涅耳原理：衍射场是无穷多次级点源叠加的结果，通过设计纳米天线的透射率/反射率，可以独立控制振幅分布 [S1]。偏振调控利用各向异性结构对正交偏振本征模式的不同响应，可实现偏振转换、偏振测量与偏振成像 [S1]。频率调控则利用亚波长结构的强局域共振——共振响应随频率变化，可设计多频/高光谱响应，还能增强二次谐波等非线性效应 [S1]。
四个自由度可以组合使用，这正是超表面比传统透镜强大的地方：一片器件可以同时携带相位、振幅、偏振和频率信息，等于把多套光学功能”叠”进了同一张薄膜。
数字还是模拟：光计算的两种路线
像电子计算一样，超表面光计算也分数字与模拟两类 [S1][S4]。
- 数字光计算：执行 AND、OR、NOT、XOR 等逻辑运算，以及全加器、编码器等组合逻辑。优点是逻辑清晰、可级联，但需要精确控制输入光信号的相位差、偏振、强度等，实现难度大。
- 模拟光计算：把输入模拟信号转成光信号，用光场的空间分布直接完成微分、积分、卷积等数学运算。光经过器件的瞬间运算就完成了，特别适合图像处理这类天然并行的任务 [S1][S4]。
计算方法本身也在演进，综述归纳为三类 [S1]：
- 解析方法：直接设计器件的传递函数。比如 Sobel 算子用 3×3 卷积核计算图像梯度（$G_x=f\otimes I_x$），适合低复杂度边缘检测；拉普拉斯算子则是各向同性的二阶微分，对二维空间函数有
$$\nabla^2E(x,y)=\frac{\partial^2E(x,y)}{\partial x^2}+\frac{\partial^2E(x,y)}{\partial y^2}$$
在傅里叶域里，拉普拉斯运算等价于乘以 $-(k_x^2+k_y^2)=-k^2$，即光学传递函数（OTF）应为 $T(k)=-k^2$——正入射（$k=0$）时透射为零，入射角越大透射越强 [S1]。这给器件设计定了一个非常明确的目标。
- 优化算法：用遗传算法等启发式方法搜索满足多目标需求的结构参数，适合离散解空间和非可微目标函数的问题 [S1]。
- 神经网络算法：衍射深度神经网络（D2NN）用多层衍射元件（相当于光学版的神经网络层）对输入光场逐层变换，反向传播算法在”物理层”上优化每个像素的相位/振幅，实现全光分类（图 4c、d）[S1][S2]。
图 4：论文原图——光计算方法。(a) 全介质超表面把二维空间函数做拉普拉斯运算；(b) 优化算法流程；(c) D2NN 衍射神经网络的多层光学系统；(d) 3D 打印 D2NN 对手写数字 0–9 分类。来源：论文图 4（Nanophotonics 13(4), 2024，CC BY 4.0，仅作文献解读引用）。
构建超表面的纳米单元材料也对应几种路线 [S1]：介质纳米天线（高折射率、低损耗、高透射，适合高效率光计算，例如级联全介质方程求解器）；等离激元金属天线（利用表面等离激元实现时空微分、模拟微分/积分器）；相变材料（GST、VO₂ 等在外场作用下折射率大幅变化，可实现可重构器件）；可编程电控单元（FPGA 控制的开关二极管阵列，两种状态相位差 180°，形成 1 bit 相位编码，是数字超表面的雏形）[S1]。表 2 汇总了三种计算方法的定位。
表 2：三种光计算方法对比。来源：综述正文（S1）。
| 方法 | 原理 | 典型任务 | 特点 |
|---|---|---|---|
| 解析方法 | 设计器件传递函数（Sobel、拉普拉斯等） | 边缘检测、微分/积分 | 结构简单、速度快，但功能单一 |
| 优化算法 | 遗传算法等搜索结构参数 | 波前整形、复杂器件设计 | 适合非可微/离散问题，计算开销大 |
| 神经网络算法 | 衍射层等效光学神经网络（D2NN） | 图像分类、模式识别 | 功能强大，可训练，但层数受限 |
应用一：边缘检测与增强
边缘是图像中亮度、相位或偏振发生显著变化的边界区域，人眼对边缘比对平坦区域更敏感，所以边缘检测在机器视觉里是第一步预处理 [S1]。光学边缘检测可以追溯到 1942 年 Zernike 提出的细胞对比增强方法 [S1]，而超表面让这个古老任务获得了超薄、无源、即时的实现方式。综述盘点了三条技术路线 [S1]：
- 非局域超表面：用周期性排列的共振粒子（如开口谐振环 SRR）产生对 $\pm k_x$ 不对称的响应，实现一阶导数运算。缺点是只对 TM 偏振工作、只沿一个方向检测（图 5a、b）。
- 自旋涡旋 PB 超表面：利用不同圆偏振光获得不同的自旋响应，一路生成高斯分布、一路生成涡旋分布，可以检测与背景折射率差异很小的生物样本。但难做一阶微分，边缘分辨率也无法精确控制（图 5c、d）。
- PB 相位梯度超表面：在两正交偏振片之间插入相位梯度为 $\phi(x,y)=\pi x/\Lambda$ 的 PB 超表面，入射线偏振光被分成左旋/右旋两束并横向分离，经检偏后只剩边缘信息；把一维梯度换成径向梯度 $\phi(x,y)=\pi\sqrt{x^2+y^2}/\Lambda$，就能扩展为二维径向边缘检测（图 5e、f）[S1]。
图 5：论文原图——边缘检测/增强超表面。(a) 非局域 SRR 阵列示意；(b) 非偏振光照明下的输出图像；(c) 边缘检测光路示意；(d) 样本边缘输出；(e)(f) 基于 PB 相位梯度的边缘检测，一维梯度可扩展为径向二维。来源：论文图 5（Nanophotonics 13(4), 2024，CC BY 4.0，仅作文献解读引用）。
值得一提的代表工作：基于全介质超表面和准连续态束缚态（quasi-BIC）实现的拉普拉斯算子，可以获得近各向同性的二阶微分响应，边缘检测分辨率达 4 µm [S1]——这意味着”把边缘检测器做成一张膜，贴在相机前面就能实时出边缘图”在原理上已经可行。
应用二：图像与手势识别
把光学运算从”检测边缘”升级到”识别物体”，需要引入可训练的神经网络架构 [S1]。
综述介绍的第一个代表工作是 OENN（光电混合神经网络）：一片 TiO₂ 超表面做特征提取层，后面接一个低复杂度的电子全连接层做加权求和。只用一片超表面，手写数字识别精度就达到 98.05%——这说明”光学做粗特征提取 + 电子做精分类”的混合路线很划算（图 6a）[S1]。
第二个是偏振复用衍射神经网络（MDNN）：用偏振复用超表面作为隐藏层，CMOS 图像传感器作为输出层，双偏振通道同时识别手写数字和时尚物品，实验精度分别达到 93.75% 和 95%。代价是当前只能识别 4 个类别（图 6b、c）[S1]。
图 6：论文原图——图像分类计算超表面。(a) OENN 光电混合神经网络框架；(b) 偏振复用 MDNN 布局；(c) 四分类识别输出与实验能量分布。来源：论文图 6（Nanophotonics 13(4), 2024，CC BY 4.0，仅作文献解读引用）。
识别任务还可以延伸到微波频段的手势/运动识别：智能超表面系统把采集的微波数据经 CNN 成像重建整个人体图像，甚至能识别呼吸；透射式可编程超表面在 5–6 GHz 频段记录不同焦点下的回波系数，成功识别 18 种手势/手腕动作 [S1]。这类工作把”超表面光计算”扩展到了电磁波的更宽频谱——计算原理相同，只是频段不同。
应用三：逻辑运算
逻辑运算是数字计算的基石。但光逻辑有一个内在困难：光学逻辑门高度依赖输入光信号的精确控制（相位差、偏振、强度、光束尺寸），输出状态容易不稳定、对比度低 [S1]。超表面给出了几种规避方案：
- MEMS Fano 谐振超表面：两个独立电输入 + 太赫兹光读出，实现 XOR 逻辑——输入状态不同时输出为真，相同则为假。类似”光学一次一密”的加密通信协议（图 8a）[S1]。
- 惠更斯超表面衍射神经网络：入射平面波在输入层被逻辑操作空间编码，复合惠更斯超表面作为隐藏层解码，输出光斑位置对应逻辑态”1”或”0”，可同时实现 NOT、OR、AND 三种逻辑（图 8b）[S1]。
- 全连接神经网络映射：把训练好的 FCNN 节点映射到相位超表面的工作区域，同一片器件实现 AND、OR、NOT，只用两层光学层，训练速度和资源占用大幅下降（图 8c）[S1]。
- OAM 模式衍射神经网络：把轨道角动量（OAM）作为信息自由度，模拟实现了 AND、OR、NOT、NAND、NOR、XNOR、XOR 七种基本逻辑和半加器（图 8d）[S1]。
图 8：论文原图——逻辑运算超表面。(a) XOR 逻辑实现光学一次一密安全无线通信；(b) 惠更斯超表面衍射神经网络解码逻辑操作；(c) 全连接神经网络映射的相位超表面；(d) 基于 OAM 模式的衍射神经网络逻辑运算。来源：论文图 8（Nanophotonics 13(4), 2024，CC BY 4.0，仅作文献解读引用）。
这些方案的共性思路：把逻辑运算变成光学散射问题——让”输入光的编码方式”决定”输出光斑落在哪里”，从而绕开对光信号逐参数的精密控制。
应用四：片上光计算
自由空间超表面光计算性能优异，但要走向实用，最终要落到芯片上。传统光子集成回路（PIC）依赖波导，体积大、难以在亚波长尺度充分操控光；片上超表面则架起波导光学与自由空间光学之间的桥梁 [S1]。
综述盘点的片上工作各有侧重 [S1]：
- PDNN（光子深度神经网络）：端到端设计，光波直接撞击片上像素阵列（神经元），免时钟、免模拟-数字转换，双类/四类手写字母分类精度 >93.8%/>89.8%（图 10a）；
- NNM（神经介质）：连续无层神经网络，2D 介质中光被干涉引导到 10 个输出位置之一，可识别 0–9 手写数字，平均精度 >79%（图 10b）；
- OCPU（光学卷积处理单元）：在低损耗氮化硅平台上，4 个移相器同时执行 3 组用户自定义 2×2 卷积，MNIST 十类识别精度 92.17%，且可通过增加端口和波分复用扩展规模（图 10c、d）。
图 10：论文原图——片上光计算。(a) 端到端光子深度神经网络 PDNN；(b) NNM 神经介质识别手写数字；(c) OCPU 结构示意；(d) OCPU 用非相干光同时执行三组卷积。来源：论文图 10（Nanophotonics 13(4), 2024，CC BY 4.0，仅作文献解读引用）。
这些芯片的共同方向是免 ADC、免时钟、被动推理：光学前端直接输出特征/分类结果，电子系统只做最后的读出与决策，把最耗电的环节省掉。表 3 汇总了四类应用的代表性指标。
表 3：四类应用的代表性工作与指标。来源：综述正文转述（S1），精度数字均为综述报道值。
| 应用类别 | 代表方案 | 关键指标 |
|---|---|---|
| 边缘检测 | 全介质拉普拉斯超表面（quasi-BIC） | 分辨率 4 µm |
| 图像识别 | OENN（TiO₂ 超表面 + 电子层） | 手写数字 98.05% |
| 图像识别 | 偏振复用 MDNN | 数字 93.75% / 时尚物品 95% |
| 手势识别 | 可编程透射超表面（5–6 GHz） | 18 种手势 |
| 逻辑运算 | OAM 衍射神经网络 | 7 种基本逻辑 + 半加器（模拟） |
| 片上光计算 | PDNN | 四类字母 89.8% |
| 片上光计算 | OCPU（硅氮平台） | MNIST 92.17% |
意义与局限
作为一篇综述，这篇论文的价值首先在于系统化：它把散落在上百篇文献里的工作，用”调控原理 → 计算方法 → 应用谱系”的框架重新组织，读者按图索骥就能找到任何一条技术线的源头。其次，它强调了超表面光计算区别于其他光计算方案的独特优势——多维调控、超薄集成、可编程性，这些都是传统体光学或波导光子学难以同时满足的 [S1]。再次，它没有回避工程问题：大面积制备技术（纳米压印、全息光刻、自组装）与可重构材料（GST、VO₂、电控单元）被并列讨论，说明作者把”能不能造出来、能不能变起来”当作和”能不能算出来”同等重要的问题 [S1]。
局限也要如实评价。第一，作为综述它偏”目录式”而非”比较式”：大部分工作是逐项介绍，缺少统一的性能基准（效率、速度、精度、规模没有放在同一尺度下对比），读者很难判断哪条路线更接近实用。第二，对挑战的讨论偏定性：比如”多层级联难以对准””精度受加工限制”都只点到为止，没有给出定量证据或解决路径的评估。第三，领域自身的短板被如实呈现：光传播是线性运算，深度学习所需的非线性函数难以直接在光学域实现；静态超表面制造后权重固定，无法在光学域完成反向传播训练；多层结构光强逐层衰减，目前几乎无法实现三层以上的超表面级联 [S1]。第四，距离商业应用仍有距离：综述承认，当前光计算特别是模拟光计算展现了独特潜力，但从器件演示到大规模商用，还需要可编程/可重构技术、并行光场调制与解调技术、以及加工精度的整体突破 [S1]。
对平台读者而言，这篇综述最有价值的一点是给出了一个判断框架：看到任何一篇”超表面算力”的新工作时，可以先问三句话——它算的是模拟还是数字？它用哪个自由度（相位/振幅/偏振/频率）编码？它是在自由空间、还是在片上工作？ 三个答案基本能定位这项工作的坐标。
参考资料
- [S1] Zhou, H., Zhao, C., He, C., Huang, L., Man, T., Wan, Y. “Optical computing metasurfaces: applications and advances.” Nanophotonics 13(4): 419–441 (2024). DOI 页面 · PMC 开放全文
- [S2] Hu, J., Mengu, D., Tzarouchis, D. C., Edwards, B., Engheta, N. et al. “Diffractive optical computing in free space.” Nature Communications 15, 1525 (2024). Nature 页面
- [S3] Abou-Hamdan, L., Marinov, E., Wiecha, P. R., Genevet, P. et al. “Programmable metasurfaces for future photonic artificial intelligence.” Nature Reviews Physics 7(6): 331–347 (2025). Nature 页面
- [S4] Zangeneh-Nejad, F., Sounas, D. L., Alù, A., Fleury, R. “Analogue computing with metamaterials.” Nature Reviews Materials 6(3): 207–225 (2021). Nature 页面