深度学习赋能非局域超表面实现精确声重分布
应用物理
2021-08-04 v1
摘要
传统声学超表面由亚单元提供的梯度化“局域”相移剖面构建。这种局域策略意味着忽略亚单元之间的互耦，这限制了定向声操控的效率，尤其是在复杂环境中。通过考虑亚单元间的“非局域”相互作用，非局域超表面为精确控制声传播提供了机会，但需要考虑所有亚单元间的聚集耦合（而不仅仅是最近邻耦合）的要求极大地增加了系统的复杂性，从而阻碍了对非局域超表面功能的探索。在这项工作中，借助深度学习算法，可以从预设数据集中高效地学习复杂的聚集耦合，从而显著揭示非局域超表面的功能。作为一个例子，我们展示了能够将入射波重定向为具有任意能量比的多通道反射的非局域超表面，可以通过深度学习算法精确预测。与理论相比，能量比的相对误差小于1%。此外，实验见证了具有三种能量比类型（1, 0, 0）、（1/2, 0, 1/2）和（1/3, 1/3, 1/3）的三通道反射，证明了深度学习赋能非局域超表面的有效性。我们的工作可能为声学功能器件的设计开辟一条新路径，特别是对于包含复杂波-物质相互作用的情况。
引用
@article{arxiv.2108.01568,
title = {Deep learning enables accurate sound redistribution via nonlocal metasurfaces},
author = {Hua Ding and Xinsheng Fang and Bin Jia and Nengyin Wang and Qian Cheng and Yong Li},
journal= {arXiv preprint arXiv:2108.01568},
year = {2021}
}