机器学习驱动的宽带声学超散射逆向设计及其在声学超材料中的应用

《Advanced Intelligent Discovery》：Machine Learning Driven Inverse Design of Broadband Acoustic Superscattering

本文提出了一种结合深度学习与声学超材料设计的创新方法，通过构建确定性及概率性逆向神经网络（INN）模型，实现了多层核壳结构声学超散射体的高效逆向设计。研究引入加权平均绝对误差（weighted MAE）损失函数提升散射截面（SCS）多峰谱预测精度，并利用概率模型生成参数分布以增强设计鲁棒性。该框架成功实现了在归一化频率0.85–1.4范围内的宽带高声绝缘效果，为智能声学器件（如噪声控制、声学成像）的定制化开发提供了新范式。

　　

引言：声学超散射现象通过共振耦合与结构设计突破传统散射极限，在声学成像、无损检测等领域具有潜力。尽管电磁超散射研究已较为成熟，声学超散射仍面临宽带实现与智能化设计的挑战。本文通过机器学习方法构建声学超散射体的逆向设计框架，旨在填补宽带声学超散射研究的空白。

机器学习驱动的超散射设计结果：研究以二维多层核壳结构为模型，中心圆柱半径a=1 m，环境参数为水（ρ₀=1000 kg/m³，κ₀=2.22 GPa）。通过传输矩阵法（TMM）计算散射截面（SCS），生成58,000组数据样本训练神经网络。前向神经网络（FNN）将设计参数（各层半径a_j和体模量κ_j）映射至105个SCS频谱点，采用加权MAE损失函数强化峰值区域预测，网络结构为5层全连接（隐藏单元1000–1000–800–800–400），训练后R²达0.9866。逆向神经网络（INN）通过串联预训练FNN作为解码器，实现从SCS频谱到设计参数的映射，避免过拟合，其测试集MAE为0.1186。概率性INN将参数空间转换为潜变量z的高斯分布，通过重构误差、KL散度误差和逆方差损失函数生成参数分布，提升设计容错性。参数敏感性分析表明散射响应对半径变化更敏感。

超散射在声绝缘中的应用：以确定性INN设计的超散射体为例，其在归一化频率0.5以上呈现多阶散射共振，形成宽带超散射。将超散射体作为元原子构建周期性超表面，在f_c=1.12频率处实现94.4%的反射率。进一步引入双散射体结构，通过模式搜索算法优化间距与周期，在[0.856, 1.404]频率范围内实现带宽48.9%、透射率低于10%的宽带高声绝缘。

结论：机器学习驱动框架为声学超散射的逆向设计提供了高效解决方案，概率模型增强了实际应用的适应性。未来工作需引入材料损耗、三维效应等实际因素以提升实用性。