SwinUNet：基于多尺度特征融合的超表面多维电磁响应预测方法（特邀）

为了以低计算成本快速预测超表面在多个波长、多种偏振状态下的近场二维面复数电磁场，为高效光场调控提供设计基础，提出了一种基于深度学习的SwinUNet模型，通过多尺度特征提取与融合策略，有效表征超表面结构与复杂电磁响应之间的全局依赖关系，同时保留丰富的局部细节特征，实现多维电磁场的精准预测。此外，提出了一种融合像素级误差、结构相似性和通道间预测误差均衡性的多目标综合损失函数，进一步增强了预测的准确性与稳定性。实验结果表明，SwinUNet在五个波长和两种偏振状态，共20个响应通道的预测任务中结构相似性指数达到0.90，峰值信噪比达到28.02，且在两种不同类型超表面的预测中表现稳定。与传统有限差分时域方法长达450.56 s的仿真周期相比，SwinUNet单次预测仅需为4.2×10?? s，计算效率提高了数百万倍，为超表面的高效设计提供了强有力的技术支持。