物理信息神经网络QNM-Net：用准正规模理论实现电磁散射的高效可解释建模
1. 项目概述：当神经网络遇见物理定律
在光学和电磁学的前沿研究中，我们常常面临一个两难困境：一方面，基于麦克斯韦方程组的全波电磁仿真（如FDTD、FEM）虽然精确，但计算成本高昂，一次仿真动辄数小时，在需要遍历庞大设计空间的逆向设计任务中，这几乎是一个无法承受的负担。另一方面，深度神经网络（DNN）作为强大的通用函数逼近器，理论上可以学习从器件几何参数到其电磁响应（如散射矩阵S(ω)）的复杂映射关系，一旦训练完成，其预测速度可比传统仿真快几个数量级。这听起来像是完美的解决方案，对吧？
但现实往往骨感。我早期尝试用标准全连接网络（FCN）或卷积网络（CNN）直接预测超表面的透射谱时，就踩过不少坑。最大的问题有两个：数据饥渴和黑箱不可信。为了达到可接受的预测精度，我们往往需要准备数万甚至数十万个高质量的仿真样本，数据生成本身就是一场计算资源的消耗战。更令人头疼的是，即便模型在测试集上表现良好，其预测也可能在物理上不合理——比如出现能量不守恒（透射率+反射率+吸收率>1）或违反因果律的频谱。这种模型就像一个记忆力超群但缺乏理解力的学生，能复述例题，却无法应对稍加变化的考题，更无法解释其答案背后的“为什么”。
物理信息机器学习（Physics-Informed Machine Learning）的出现，为我们指明了另一条路。它的核心思想不是让神经网络从零开始“发明”物理，而是将我们已经深刻理解的物理定律，如能量守恒、因果律、对称性等，作为“硬约束”或“软引导”整合到模型架构和训练过程中。这就像给这位学生一本写满定理和公式的教科书，要求他的所有答案都必须符合这些基本原理。这样训练出的模型，不仅数据效率更高（需要的训练样本更少），其预测结果也天然具备物理一致性，并且学习到的中间参数往往具有明确的物理意义，从而打开了模型的黑箱。
今天要深入探讨的，正是我们团队基于这一理念，为电磁散射问题开发的一个通用框架：基于准正规模（Quasinormal Mode, QNM）展开的物理信息神经网络，我们称之为QNM-Net。它不是一个针对特定器件的定制化模型，而是一个模块化的架构。其核心在于，我们用神经网络去预测那些决定散射行为的、更本质的物理参数（如谐振频率、模式振幅、背景散射），然后通过一个严格基于QNM理论的、可微分的物理模型层，将这些参数合成为最终的散射矩阵S(ω)。这样一来，模型从“学习S(ω)的复杂图案”转变为“学习产生这些图案的物理原因”，后者显然是一个更简单、更本质的任务。
1.1 核心需求解析：为什么是准正规模？
在深入架构之前，我们必须先理解为什么选择准正规模作为物理模型的基石。在电磁散射理论中，一个开放、有耗的谐振结构（如光子晶体微腔、超表面单元）的响应，可以近似表示为一系列谐振模式的叠加。这些模式就是准正规模。每个QNM由一个复本征频率 $\tilde{\omega}m = \omega_m + i\gamma_m$ 描述，其中实部 $\omega_m$ 是谐振频率，虚部 $\gamma_m$（通常为负）代表模式的衰减率（包括辐射损耗 $\gamma{r,m}$ 和非辐射损耗 $\gamma_{nr,m}$）。
QNM理论的美妙之处在于，它为散射矩阵S(ω)与这些内在谐振模式之间建立了严格且普适的数学联系，即QNM展开式。我们采用的是一种能保证能量守恒的近似形式：
$$ S(\omega) = e^{i\omega \tau} \left[ C(\omega) + D (i\omega - i\tilde{\Omega})^{-1} M^{-1} D^{\dagger} C(\omega) \right] e^{i\omega \tau} $$
这个公式看起来复杂，但我们可以拆解其物理含义：
- $C(\omega)$: 一个缓变的背景散射矩阵，代表非谐振的直接散射过程。
- $D$: 一个矩阵，其列向量 $d_m$ 代表了第m个QNM在各个端口上的耦合振幅。这是连接内部模式与外部端口的关键。
- $\tilde{\Omega}$: 一个对角矩阵，对角线元素就是各个QNM的复本征频率 $\tilde{\omega}_m$。
- $M$: 模式重叠矩阵，用于保证展开的正交归一化。
- $\tau$: 端口延迟矩阵，是一个实对角矩阵，代表电磁波从端口到散射体中心的相位延迟。
这个公式就是我们的“物理层”。它不是一个可训练的神经网络层，而是一个确定的、符合物理定律的数学表达式。神经网络的职责，变成了根据输入的器件设计参数，去预测这个表达式中的所有物理参数：$C(\omega)$, $\tau$, 以及每一个模式的 $\tilde{\omega}_m$ 和 $d_m$。
这样做带来了几个根本性优势：
- 物理一致性保障：只要QNM展开式本身满足能量守恒和因果律，那么无论神经网络预测的参数值如何，最终计算出的S(ω)也自动满足这些基本物理定律。这从根本上杜绝了非物理解的出现。
- 数据效率飞跃：神经网络不再需要记忆所有可能的、复杂的频谱形状，只需要学习相对简单、平滑的物理参数随设计的变化关系。这极大地降低了学习任务的复杂度。
- 可解释性突破：模型的学习目标变成了具有明确物理意义的参数。例如，我们可以直接检查网络预测的 $\tilde{\omega}_m$，并与全波本征模求解器的结果进行对比，从而验证模型是否真的“理解”了器件的物理本质。这为“AI for Science”中的知识发现提供了可能。
- 逆向设计更直接：在逆向设计中，我们通常的目标是获得某个特定的频谱。在QNM-Net框架下，这个目标可以转化为对特定谐振频率、耦合强度等物理参数的需求。优化过程可以直接在这些物理参数空间进行，目标更明确，路径更清晰。
2. QNM-Net架构深度拆解：模块化设计的艺术
QNM-Net不是一个僵化的固定网络，而是一个高度模块化的框架。这种设计哲学源于一个认识：不同的电磁器件（如对称的光子晶体板 vs. 非对称的自由形式超表面）其物理约束和先验知识是不同的。一个好的物理信息模型应该能灵活地吸收这些知识。我们的架构如图2所示，主要包含以下几个可定制的子模块：
2.1 特征提取器：从设计参数到抽象特征
输入是器件的设计参数化表示。对于参数化几何（如光子晶体板的孔半径、周期），这可能是一个向量；对于自由形式设计（如超表面的像素化掩模），这可能是一张二维图像。特征提取器的任务是将这些原始设计映射到一个抽象的、高维的特征向量 $\phi$ 上。这个模块通常是一个标准的神经网络：
- 对于参数化输入：可以使用全连接网络（FCN）。
- 对于图像式输入：卷积神经网络（CNN）或DenseNet等架构是更自然的选择，因为它们能有效捕捉空间结构特征。
这个模块是模型的主要可学习参数承载者，负责捕捉设计中的复杂非线性关系。我们实践中发现，为这个主干网络添加一个线性跳跃连接（ResNet风格）能显著提升训练的稳定性和收敛速度。
2.2 模式模型：预测每一个谐振的“指纹”
这是QNM-Net的核心创新点之一。我们为预期中的每一个谐振模式都设置了一个独立的“模式模型”。每个模式模型是一个小型神经网络（例如单层或双层全连接网络），它以共享的特征向量 $\phi$ 为输入，输出对应第m个QNM的物理参数：
- 复本征频率 $\tilde{\omega}_m$：通常拆分为实部（频率 $\omega_m$）和虚部（衰减率 $\gamma_m$）分别预测。对于无耗材料，我们可以通过设置 $\gamma_{nr,m}=0$ 来施加约束。
- 端口耦合振幅 $d_m$：一个复数向量，长度等于端口数N。其实部和虚部需要分别预测。
关键技巧1：模式数量的处理我们事先并不需要精确知道器件有多少个谐振模式。我们可以设置一个足够多的模式模型（例如20个）。如果某个设计在关心的频段内只有少数几个模式，网络会学会将多余模式的谐振频率 $\omega_m$ 推到采样频段之外，或者赋予其极大的衰减率 $\gamma_m$，使得它们对S(ω)的贡献可以忽略不计。这赋予了模型处理未知模式数量的灵活性。
关键技巧2：对称性作为强约束这是体现“物理信息”威力的地方。例如，对于具有镜面对称性的器件，其QNM的模式对称性是确定的：偶模的 $d_m$ 在两个对称端口上同号（如(1, 1)），奇模则反号（如(1, -1)）。如果我们从物理上知道主导模式是偶模，就可以直接将 $d_1$ 固定为(1, 1)，而不是让网络去学习。这极大地减少了需要学习的参数，并强制模型遵循物理规律。
2.3 背景模型与延迟模型：刻画非谐振行为
- 背景模型 $C(\omega)$：负责预测非谐振的背景散射。它接收特征向量 $\phi$ 和频率 $\omega$ 作为输入。对于许多器件，背景是缓变的。我们可以用一个小型网络预测背景参数（如公式(4)中的相位角 $\alpha$）在几个关键频率点的值，然后进行插值来获得整个频段的 $C(\omega)$。同样，可以利用物理约束简化它。对于无耗、互易的二端口系统，$C(\omega)$ 必须是一个酉矩阵，这可以转化为对输出参数的特定构造方式。
- 延迟模型 $\tau$：预测每个端口的相位延迟 $\tau_n$。这通常是一个与频率无关的实数。对于对称结构，可以约束对称端口的延迟相等。
2.4 物理模型层：可微分的QNM合成器
这是唯一没有可训练参数的“灰色盒子”。它接收所有子模型预测出的物理参数：${ \tilde{\omega}_m, d_m }$, $C(\omega)$, $\tau$。然后，严格按照前面给出的QNM展开公式，计算出最终的散射矩阵 $S(\omega)$。这一层的关键在于它必须是完全可微分的，这样才能允许梯度从损失函数（比较预测的 $S(\omega)$ 和真实的 $S(\omega)$）反向传播到前面所有神经网络子模块的参数中。我们利用现代深度学习框架（如PyTorch、JAX）的自动微分功能可以轻松实现这一点。
训练流程简述：
- 输入一批设计参数和对应的频率点。
- 特征提取器生成特征 $\phi$。
- 各个模式模型、背景模型、延迟模型并行工作，从 $\phi$ 预测出所有物理参数。
- 物理模型层根据这些参数合成预测的 $S_{pred}(\omega)$。
- 计算预测值与全波仿真真实值 $S_{true}(\omega)$ 之间的损失（如S参数均方误差）。
- 通过自动微分计算梯度，并更新所有神经网络子模块的权重。
整个流程是端到端训练的，目标是最小化最终的散射矩阵误差，但学习的过程被物理定律严格地引导着。
3. 实战应用与性能验证：从光子晶体到自由形式超表面
理论再优美，也需要实验的验证。我们在两类典型且难度不同的电磁器件上测试了QNM-Net框架。
3.1 案例一：光子晶体平板——强物理约束下的高效学习
系统描述：我们研究一个在无损介质板上周期性排列空气孔的光子晶体平板。设计由五个参数控制：板厚和四个环的孔半径。系统具有四重旋转对称性，因此散射矩阵简化为2x2（两个正交偏振态，在正入射下解耦）。频谱在关注频段内主要呈现一个明显的法诺谐振峰，叠加在一个平滑的背景上。
QNM-Net定制化：
- 对称性注入：由于结构具有镜面对称性，我们固定主导模式的端口振幅为 $d_1 = (1, 1)$（偶模）。
- 无耗约束：材料无损，因此设置非辐射衰减 $\gamma_{nr,1} = 0$。
- 背景矩阵参数化：利用互易、无耗、对称性，将背景矩阵 $C$ 参数化为一个仅由单个频率依赖相位角 $\alpha(\omega)$ 决定的酉矩阵，如公式(4)所示。用一个小网络预测 $\alpha$ 在两个边界频率的值，中间线性插值。
- 模式数量：仅使用一个模式模型，因为频谱显示单谐振主导。
数据与训练：我们生成了10,000个随机设计及其在200个频率点上的散射矩阵作为数据集。QNM-Net仅用了约34k个可训练参数。
结果令人振奋：
- 预测精度：如图3(b)所示，训练后的QNM-Net能极其精确地复现仿真得到的透射和反射谱，测试集上的平均S参数均方误差（S-MSE）低至 $10^{-4}$ 量级。
- 数据效率：如图3(d)所示，这是最具冲击力的结果。QNM-Net仅需160个训练样本（占数据集的2%），就能使验证损失低于 $10^{-3}$。而达到相同性能，传统的全连接神经网络需要10倍以上的数据和更多的参数。这直接证明了物理先验知识带来的数据效率提升是数量级的。
- 物理可解释性验证：我们抽取了100个新的设计，对比了QNM-Net预测的复本征频率 $\tilde{\omega}_1$ 与商用全波本征模求解器直接计算的结果。如图4所示，两者高度吻合（决定系数R² > 0.999）。这意味着QNM-Net不仅学会了拟合频谱曲线，更真正学会了我们希望的底层物理——谐振频率。这打开了“知识发现”的大门：如果我们事先不知道模式的对称性，通过观察网络预测的 $d_1$ 向量，我们可能会发现它总是接近
(1, 1)或(1, -1)，从而推断出结构的对称性。 - 逆向设计演示：我们以QNM-Net预测的谐振频率 $\tilde{\omega}_1$ 作为设计目标，从随机初始设计出发，利用自动微分计算梯度，通过Adam优化器反向优化几何参数。在几秒钟内就成功设计出了一系列具有线性递增谐振频率和衰减率的光子晶体结构，且全波仿真验证了设计结果的高度准确性（图5）。这展示了将QNM-Net作为可微分物理模型用于高效、精准逆向设计的潜力。
3.2 案例二：自由形式全介质超表面——弱物理先验下的挑战
系统描述：第二个案例更具挑战性：一个自由形式的全介质超表面单元，其结构由一个100x100的二值化位图定义。该系统设计空间巨大，频谱包含多个重叠的谐振，存在衬底导致结构不对称，存在非辐射损耗，且数据集只提供了从上表面入射的散射矩阵部分信息。
QNM-Net定制化：
- 特征提取器升级：由于输入是图像，我们采用了卷积DenseNet作为特征提取器，这是我们之前工作中验证有效的架构。
- 背景简化：对于如此复杂的结构，没有明显的平滑背景。我们采用QNM展开中的常见做法，设 $C = -I$（负单位矩阵），让背景贡献由多个宽谐振来等效描述。
- 模式数量：设置了20个模式模型，以容纳可能的多谐振特性。
- 约束放松：除了能量守恒和因果律由QNM公式保证外，我们没有施加其他强约束（如对称性）。端口延��� $\tau$ 设为固定值（由端口到超表面的平均距离估算）。
结果分析：
- 数据效率优势依然明显：如图6(d)所示，在面对这个复杂得多的问题时，QNM-Net要达到与最佳传统参考模型（一个大型DenseNet后接分支网络）相同的预测精���，仍然只需要后者约三分之一的训练数据。这证明了该框架的通用性和鲁棒性。
- 预测精度与局限：如图6(b)所示，QNM-Net能够捕捉并复现频谱中的主要谐振峰，但对于一些非常微弱的谐振特征，预测存在偏差。我们认为，这是由于自由形式超表面的设计空间过于庞大，即使数万个训练样本也不足以让网络完全精确地学习所有细微的频谱特征。然而，对于许多逆向设计应用，抓住主要谐振特征已经足够。
- 模式识别的智能性：我们进一步对三个不同设计的预测模式进行了本征模验证（图7）。一个有趣的现象出现了：QNM-Net预测的、在采样频段内且衰减较小的模式，几乎都能在全波本征模求解结果中找到对应。然而，本征模求解器还给出了许多QNM-Net没有预测到的模式。仔细分析发现，这些“遗漏”的模式大多是与入射光耦合极弱的模式（例如，某些局域在单元内部特定区域、难以被外部端口激发的模式）。这说明QNM-Net展现了一种“智能筛选”能力：它自动识别并只学习那些对散射响应有显著贡献的模式，而忽略了那些“沉默”的模式。相比之下，传统的本征模求解器需要手动筛选大量模式，QNM-Net的这一特性在实际应用中非常有用。
4. 实现细节、调参心得与避坑指南
将QNM-Net从理论框架转化为可运行的代码，需要注意大量工程细节。以下是我在复现和实验过程中的一些核心经验。
4.1 数据准备与预处理
- 频率归一化：输入的频率值 $\omega$ 需要进行归一化，例如缩放到
[0, 1]或[-1, 1]区间。这对于网络的稳定训练至关重要，特别是当频率范围跨度较大时（如从太赫兹到近红外）。 - S参数处理：散射矩阵 $S(\omega)$ 是复数。在训练时，我们将其拆分为实部和虚部作为两个独立的输出通道进行回归。也可以考虑使用幅度和相位，但对于谐振峰附近相位快速变化的情况，实部/虚部表示通常更稳定。
- 数据集划分：务必确保训练集、验证集和测试集在参数空间分布上是一致的。对于几何参数化设计，可以使用拉丁超立方采样来确保均匀覆盖。对于图像类设计，随机划分通常即可，但需检查划分后各集合的统计特性（如像素密度分布）是否相似。
4.2 网络架构与初始化
- 特征提取器深度与宽度：这需要权衡。对于简单系统（如光子晶体板），一个3-5层的全连接网络可能就足够了。对于复杂系统（如超表面），则需要更深的卷积骨干网络。我们的经验是，在参数量相近的情况下，一个稍深但宽度较窄的网络，往往比一个浅而宽的网络泛化能力更好。
- 模式模型的大小：每个模式模型是一个小型网络。我们发现，对于大多数问题，一个单隐藏层（宽度8-32）的MLP足以很好地预测
[$\omega_m$, $\gamma_m$, Re($d_m$), Im($d_m$)]。过度参数化模式模型可能导致过拟合，特别是当训练数据有限时。 - 参数初始化：
- 谐振频率 $\omega_m$：初始值应设定在目标频段内。可以均匀随机初始化。
- 衰减率 $\gamma_m$：必须初始化为正值（因为 $\gamma_m = -\Gamma_m/2$，$\Gamma_m > 0$ 是线宽）。我们使用
softplus激活函数来保证其输出恒为正：gamma = softplus(raw_output)。 - 耦合振幅 $d_m$：可以初始化为小的随机数。
- 背景参数：如果背景是缓变的，初始化其网络输出接近零，使得初始 $C(\omega)$ 接近单位矩阵或负单位矩阵，这是一个合理的起点。
4.3 损失函数与训练技巧
- 损失函数选择：我们使用S参数的均方误差（MSE）作为损失函数。对于复数，即 $L = \frac{1}{N_s N_\omega} \sum |S_{pred} - S_{true}|^2$。在某些强调带内性能的应用中，可以引入频率加权。
- 优化器与学习率：Adam优化器是可靠的选择。学习率建议使用余弦退火或带热重启的余弦退火（CosineAnnealingWarmRestarts）。初始学习率可以设在
1e-3到1e-4之间。 - 梯度问题：物理模型层涉及矩阵求逆
(iωI - iΩ̃)^{-1}。当预测的谐振频率 $\omega_m$ 非常接近某个采样频率 $\omega$ 时，会导致梯度爆炸。实践中，我们从未遇到严重问题，但一个稳健的做法是在训练初期对梯度进行裁剪（gradient clipping）。 - “模式竞争”与正则化：当使用多个模式模型时，可能会出现“模式竞争”现象：几个模式试图解释同一个谐振峰。这通常不会影响最终的S(ω)预测精度，但会使学习到的模式参数难以解释。可以加入轻微的正则化，如鼓励不同模式的谐振频率 $\omega_m$ 彼此远离，但这需要谨慎调整强度。
4.4 常见问题排查
训练损失震荡或不下降：
- 检查物理约束：首先确认所有物理约束（如对称性、无耗条件）是否正确编码。一个错误的约束会导致网络在错误的假设下学习，无法收敛。
- 检查初始化：糟糕的初始化可能导致网络一开始就陷入病态区域。尝试不同的随机种子，或使用前面提到的针对性初始化策略。
- 降低学习率：这是最常用的手段。
- 简化问题：先用一个极简的、已知有解的设计（如单个已知谐振频率的简单结构）测试整个流程，确保代码和物理公式正确无误。
验证损失远高于训练损失（过拟合）：
- 增加数据：这是最根本的，但成本高。
- 增强正则化：对网络权重施加L2正则化，或使用Dropout（但在特征提取器的较低层使用需谨慎，可能破坏特征连续性）。
- 减少网络容量：减少特征提取器或模式模型的宽度/深度。
- 利用数据增强：对于几何参数化设计，可以对参数施加微小扰动生成新样本；对于超表面图像，可以使用旋转、翻转等对称性操作（如果物理允许）来扩充数据。
预测的频谱平滑，但缺失尖锐谐振峰：
- 模式数量不足：增加模式模型的数量。
- 模式模型表达能力不足：稍微增加模式模型小网络的容量。
- 背景模型过于强势：检查背景模型是否过于复杂，以至于“吸收”了本该由谐振模式解释的特征。可以尝试简化背景模型（如固定 $C$ 为常数矩阵）。
逆向设计优化不收敛或结果不物理：
- 检查梯度：利用自动微分工具检查从目标物理参数（如 $\tilde{\omega}_m$）反向传播到设计参数的梯度是否存在（非零）。梯度消失可能意味着网络某部分不可微或出现了数值问题。
- 优化目标可行性：确认你设定的目标谐振频率等参数在物理上是可能实现的。要求一个超低损耗的谐振模式在一个本征损耗很大的材料中实现，显然是不现实的。
- 引入多目标或约束：在逆向设计损失函数中，除了主要目标（如特定谐振频率），可以加入对几何参数的约束（如最小特征尺寸、面积约束），以防止出现无法制造的极端设计。
5. 框架的扩展潜力与未来方向
QNM-Net的成功验证了将严格物理模型与深度学习结合的巨大潜力。这个框架本身是开放的，有很多值得探索的扩展方向：
面向实验数据的训练：传统神经网络对仿真数据的噪声和实验测量误差非常敏感。而QNM-Net由于内置了物理结构，可能对噪声更具鲁棒性。我们的初步实验（在训练数据中添加模拟噪声）表明，QNM-Net的性能下降确实比标准NN要小。这为直接利用���验测量数据训练可解释的代理模型打开了大门，对于校准困难或仿真-实验失配严重的系统尤其有价值。
制造容差与鲁棒性设计：在实际制造中，几何尺寸偏差、材料不均匀性等会导致器件性能偏离设计值。可以将QNM-Net与表征制造误差的统计模型结合，在逆向设计阶段就优化器件的鲁棒性。例如，在优化过程中，不仅优化目标性能，还同时优化性能对关键几何参数的灵敏度。
跨结构、跨频段的迁移学习：QNM-Net的模块化特性非常适合迁移学习。例如，在一个简单几何（如纳米棒）上预训练的特征提取器，其学到的底层特征（如边缘、角落、周期性的表征）可能对更复杂的自由形式结构也有用。我们可以冻结特征提取器的部分层，只微调模式模型，从而用极少的新数据适配新器件。
从频谱到本征模的联合训练：目前QNM-Net仅从散射谱数据中学习模式参数。一个更激进的思路是进行多任务学习：同时用散射谱数据和全波本征模求解器得到的精确QNM频率、场分布作为监督信号。这能进一步强化模型对物理本质的学习，尤其对于频谱中难以分辨的尖锐谐振或准连续态（BIC）模式可能更有帮助。
探索最优归纳偏置：在本工作中，我们手动注入了对称性、无耗等强约束。一个有趣的研究方向是系统性地量化每一种物理先验（对称性、互易性、能量守恒、因果律）对最终模型数据效率和泛化能力的贡献各有多大。这能指导我们在面对新问题时，如何最有效地利用已知物理知识。
在我个人的实践体会中，QNM-Net这类物理信息模型最大的魅力，在于它架起了“数据驱动”与“第一性原理”之间的桥梁。它没有抛弃我们数百年积累的物理智慧，而是让神经网络成为执行这些物理定律的、更高效、更灵活的计算引擎。它解决的不仅仅是一个计算加速问题，更是一个可信AI和可解释AI的问题。当你的模型不仅能告诉你“输出是什么”，还能告诉你“为什么是这样的输出”（因为谐振在这里，耦合是那样的），你对整个设计和优化过程的掌控感和洞察力会得到质的提升。当然，这套方法对研究者也提出了更高要求：你需要对你所研究系统的物理有深刻理解，才能正确地将这些知识编码到模型架构中。这或许正是AI for Science走向深水区的必经之路——不是用AI替代物理学家，而是让AI成为物理学家手中更强大的显微镜和计算尺。