在这项工作中，我们提出了一种新颖的基于变压器的深度学习模型，用于设计电磁诱导透明度(EIT)超表面，该模型由一个正向网络和一个逆向网络组成，正向网络通过结构参数预测传输光谱，逆向网络则从目标光谱中恢复结构参数。为了训练模型，我们通过自动化CST仿真生成了23,500个样本的数据集。经过良好训练的模型可以在毫秒级内从给定的目标光谱中预测EIT超表面的所有七个结构参数，在收敛时实现了8.49 × 10−4的均方误差(MSE)。预测数据和目标参数之间的均匀误差保持在0.25 μm以下。相对光谱误差(RSE)用于评估预测结构与目标之间的光谱差异，最大RSE为0.57%。与其他两个神经网络的基准测试确认了我们模型的优越预测能力和准确性。此外，该方法不仅简化了EIT超表面的设计，而且可以轻松适应电磁频谱中各种超表面设备，为超表面的逆向设计建立了一个多功能平台.
Meng等（Sun，）研究了这个问题。