- 通过扩散模型直接将光学属性映射到亚波长结构
基于潜在扩散模型，利用人工智能的生成能力，提出了一种不依赖前向模拟和迭代优化，直接将光学性质映射到结构的逆向设计方法。该方法可按照给定的光学性质生成高保真度的次波长光子结构，可能改变光学设计方法，并加速新光子器件的研究。
- 可解释学习的功能响应变形材料的生成逆向设计
通过随机森林的可解释性，提出了一种单次逆设计方法 RIGID，用于快速生成具有所需功能行为的变形材料设计。该方法不需要训练映射关系的逆模型，而是通过马尔科夫链蒙特卡洛方法从训练的前向模型导出目标满足的设计解决方案的条件分布。在仅有少量数据的 - 基于数据驱动的超材料及多尺度系统设计综述
介绍了数据驱动设计范例这一概念，并将现有的研究分为数据获取、基于机器学习的单元格设计、数据驱动的多尺度优化三个模块进行了综述，分析比较了各个模块的优势和适用性，并探讨了模块之间的联系。
- 基于扩散概率模型的高精度高自由度超材料逆向设计
本文提出了一种基于扩散概率理论的新型超材料反设计方法，该方法可以逐步从高斯分布中去除噪声并生成满足 S 参数条件的新型高自由度元电池，并且证明实验表明该方法在模型收敛速度、生成精度和质量方面优于 GAN 的代表性方法。
- 基于深度学习的智能反射表面相位重构
本文提出了一种深度学习（DL）方法，使用接收到的导频信号通过智能反射表面反射来训练前馈神经网络，从而实现智能反射表面的相位重构，用于局部信号处理并提高无线通信性能。
- 机器学习辅助光子器件的全局优化
本文提出了一种基于机器学习的全局优化框架，以设计光子器件。该方法使用对抗自动编码器和元启发式优化框架，通过物理传递的压缩设计空间工程，提高了元器件配置的优化搜索效率，并可以揭示器件的光学性能的物理基础。
- 利用智能反射平面提高 MIMO 通信的排名
本文探讨了如何通过智能反射表面（IRS）优化线性传输的通道容量，提出利用 IRS 配置重构型超材料，增加蜂窝通信中通道矩阵的秩，从而在高信噪比下实现空间复用的效果。
- 一个基于深度生成模型和半监督学习策略的超材料的概率表示和逆向设计
采用概率生成方法，在潜在空间中对设计元激元和光学反应进行压缩，以解决由物理结构到光学响应之间难以捉摸的关系带来的逆向设计问题。该模型可在训练期间利用有标签和无标签数据优化生成逆向设计和确定性正向预测。这种基于数据的模型可以成为在干涉材料和光 - 亚表面的评估：物理和应用
该论文综述了几种元表面的概念和应用，涵盖了从微波到可见光的波长范围，包括波前整形、波束成形、极化转换、波导和辐射控制等多个方面，并介绍了元表面用于实现活动控制和非线性响应的机会和挑战。
- 编程超材料、数字超材料与编码超材料
通过编码单元，我们提出了数字超材料的概念。通过数字超材料，可以实现对电磁波的控制和编程，具有可编程的超材料特性。数值模拟和实验都证实了这种方法的可行性。