基于深度学习的大规模超材表反向设计，具有全波精度

近期的 meta-optics 进展使 diverse 功能得以在紧凑光学器件中实现；然而，随着器件复杂度和规模的增长，传统的正向设计方法变得不足。反向设计提供了一种强大的替代方法，但通常需要巨大的计算资源，并且忽略相互耦合效应。本文提出并实验验证了一个基于深度学习的框架，用于具有全波精度的大规模、非周期超材表的快速反向设计。该框架集成了一个负责将目标近场响应映射到超材表几何结构的反向设计网络，以非迭代且可扩展的方式实现。一个轻量级的前向预测网络被集成为全波求解器的替代品，作为该框架的一部分，使反向设计网络能够高效地进行端到端训练，同时通过考虑局部和相邻几何结构来捕获相互耦合效应。通过多焦点金属透镜和全息超材表实验验证了该框架的有效性。该框架实现了从微米到厘米尺度（> 20k{\lambda}）的反向设计，近场响应误差小于 3%，分辨率为亚波长（< {\lambda}/10）。此外，该框架对任意大小的超材表具有可扩展性，且无需高性能资源即可高效运行，克服了以往反向设计方法的计算瓶颈。