Diffusion-Based Inverse Design of Dielectric Resonator Metasurfaces for Shaping Smart Electromagnetic Environments

تخيل عالماً لا يكون فيه الهواء من حولنا مجرد مساحة فارغة لمرور الموجات الراديوية، بل مادة يمكننا تشكيلها. في هذه الرؤية، يمكن هندسة جدران الغرفة، أو سطح الطاولة، أو حتى السماء نفسها لتوجيه الإشارات اللاسلكية، أو إخفاء الأجسام عن الرادار، أو خلق بصمات كهرومغناطيسية فريدة للتعريف بالهوية. هذا هو الوعد الذي تقدمه "البيئات الكهرومغناطيسية الذكية". ولتحقيق ذلك، يستخدم العلماء الأسطح الميتاسطحية (metasurfaces): وهي رقائق رقيقة مغطاة بأنماط متكررة دقيقة يمكنها ثني أو تركيز أو تشتيت الضوء والموجات الراديوية بطرق دقيقة. لطالما كان التحدي يكمن في عكس الطريقة التي نبني بها الأشياء عادةً؛ فبدلاً من البدء بنمط معين ورؤية ما سينتج عنه، يحتاج المهندسون إلى البدء بتأثير محدد يريدونه — مثل طريقة معينة لتشتيت إشارة ما — ثم اكتشاف ما هو النمط من الأشكال الصغيرة الذي سيخلق هذا التأثير. هذه معضلة صعبة للغاية لأن العديد من الأنماط المختلفة يمكن أن تنتج نتائج متشابهة، والرياضيات المعنية بها معقدة بشكل لا يصدق.

لقد تصدى فريق من الباحثين الآن لهذه المشكلة باستخدام نوع جديد من الذكاء الاصطناعي يسمى "نموذج الانتشار" (diffusion model). في دراستهم، ركزوا على نوع محدد من الأسطح الميتاسطحية المكونة من رنانات عازلة كروية صغيرة — وهي في الأساس كرات زجاجية أو بلاستيكية صغيرة — مرتبة في شبكة. كان الهدف هو تصميم سطح يشتت الموجات القادمة إلى نمط زوايا محدد ومخصص. الطرق التقليدية لحل هذا الأمر تتطلب تشغيل آلاف المحاكاة الحاسوبية، وتعديل التصميم قليلاً في كل مرة، والانتظار لساعات أو حتى أيام لإيجاد حل يعمل بشكل جيد بما يكفي. وجد الباحثون أن نهجهم الجديد يمكنه إنتاج تصميم صالح في حوالي دقيقة واحدة، بمستوى من الدقة يتفوق على الخوارزميات التحسينية القديمة وأنواع أخرى من نماذج تعلم الآلة.

يكمن جوهر المشكلة في أن العلاقة بين شكل السطح الميتاسطحي وطريقة تشتيته للموجات ليست علاقة بسيطة من نوع واحد لواحد. إذ يمكن لترتيب فيزيائي واحد للكرات الصغيرة أن ينتج غالباً العديد من أنماط التشتت المختلفة. حاولت نماذج تعلم الآلة القديمة فرض هذه العلاقة المعقدة في إجابة واحدة ثابتة، مما أدى غال \غالباً إلى تصميمات كانت إما غير دقيقة أو فشلت في استيعاب النطاق الكامل من الاحتمالات. أدرك الباحثون أنه بدلاً من التخمين للوصول إلى إجابة واحدة، يجب عليهم تعليم الكمبيوتر فهم "العائلة الكاملة" من الإجابات الممكنة. لقد قاموا بتدريب نموذجهم على مجموعة بيانات ضخمة مكونة من 11,000 مثال محاكى، حيث يربط كل مثال بين ترتيب معين للكرات الصغيرة ونمط التشتت الدقيق الذي ينتجه.

يعمل النموذج الذي بنوه من خلال تعلم عكس عملية إضافة "الضجيج" (noise). تخيل أخذ صورة واضحة لتصميم سطح ميتاسطحي ثم جعلها مشوشة ببطء حتى تبدو مثل التشويش (static). يتعلم النموذج كيفية أخذ هذا التشويش وإزالة التشويه خطوة بخلو خطوة لاستعادة الصورة الواضحة مرة أخرى. في هذه الحالة، "الصورة" هي ترتيب الكرات، و"التشويش" هو ضجيج رياضي عشوائي. الابتكار الرئيسي هو أن النموذج يتم توجيهه بناءً على نمط التشتت المطلوب. فعندما يعطي الباحثون النموذج نمطاً مستهدفاً يريدون تحقيقه، يبدأ من ضجيج عشوائي ويقوم بتنقيته تدريجياً، مستخدماً النمط المستهدف كدليل، حتى ينتج ترتيباً صالحاً للكرات يطابق الطلب. ولأن العملية احتمالية، يمكن للنموذج توليد العديد من التصاميم الصالحة لنفس الهدف، مما يمنح المهندسين مجموعة من الخيارات بدلاً من اقتراح واحد قد يكون معيباً.

عندما اختبر الباحثون نظامهم، كانت النتائج مذهلة. فبالنسبة لنمط تشتت مستهدف لم يره النموذج من قبل، أنتج تصميماً يطابق التأثير المطلوب بمتوسط نسبة خطأ قدرها 1.39% فقط. وهذا يعني أن السطح الناتج شتت الموجات تماماً كما هو مخطط له. وبالمقارنة، فإن خوارزمية التحسين القياسية المعروفة باسم (CMA-ES)، والتي تعتبر المعيار الذهبي لهذا النوع من المشكلات، استغرقت حوالي عشر ساعات من وقت الحوسبة للعثور على حل بنسبة خطأ بلغت 4.1%. حقق نموذج الانتشار نتيجة أفضل في حوالي دقيقة واحدة من وقت الاستدلال (inference time). علاوة على ذلك، عندما اختبر الباحثون النموذج مقابل مناهج تعلم الآلة الأخرى التي حاولت التنبؤ بإجابة واحدة، أنتج نموذج الانتشار باستمرار مجموعة أكثر تماسكاً من التصامبات عالية الجودة، بينما انجرفت النماذج الأخرى نحو حلول ذات أخطاء أعلى بكثير.

استكشفت الدراسة أيضاً مدى قدرة النموذج على التعامل مع أنماط تشتت عشوائية ومعقدة تماماً لم تكن جزءاً من بيانات التدريب الأصلية. وفي هذه الاختبارات، استمر نموذج الانتشار في التفوق على النماذج الحتمية (deterministic baselines)، محافظاً على معدلات خطأ منخفضة حتى مع زيادة تعقيد الأنماط المستهدفة. وهذا يشير إلى أن النموذج قد تعلم المبادئ الفيزيائية الأساسية لكيفية عمل هذه الأسطح، بدلاً من مجرد حفظ أمثلة محددة. إن القدرة على توليد عدة تصميمات مرشحة بسرعة هي ميزة قيمة للغاية في التطبيقات الواقعية، حيث يمكن للمهندسين إجراء بضع عمليات محاكاة أمامية سريعة لاختيار الخيار الأفضل من بين المجموعة، بدلاً من انتظار عملية تحسين واحدة بطيئة للوصول إلى الحل.

يُظهر هذا العمل أن الذكاء الاصطناعي التوليدي يمكنه التنقل بفعالية في المشهد المعقد متعدد الحلول للتصميم الكهرومغناطيسي. ومن خلال تحويل التركيز من البحث عن إجابة واحدة "مثالية" إلى توليد مجموعة متنوعة من المرشحين عالي الجودة، نجح الباحثون في ابتكار أداة هي الأسرع والأكثر دقة من الطرق السابقة. وبينما اعتمدت الدراسة الحالية على عمليات المحاكاة الحاسوبية لتوليد بيانات التدريب والتحقق من النتائج، فإن هذا النهج يقدم مساراً واعداً لتصميم الأسطح الذكية المستقبلية. إن القدرة على التخليق السريع للهياكل الفيزيائية التي تتحكم في الموجات الكهرومغناطيسية يمكن أن تسرع من تطوير الأنظمة اللاسلكية المتقدمة، مما يجعل رؤية بيئة كهرومغناطيسية قابلة للبرمجة حقيقة واقعة.