我校物理学院声学研究所、人工微结构科学与技术协同创新中心程建春和梁彬课题组在声人工结构研究方面取得重要突破，首次提出并在实验上实现了声超构材料构建的"类脑"人工结构，利用其完成了物体形状识别等机器学习任务。

分析散射波来识别物体是波动物理研究中的关键问题之一, 典型例子是声学领域中的医学超声检测、工业无损探伤和水下目标探测等。传统检测赖于富有经验的专家对结果的深入仔细分析，致使效率及准确率受限。尽管近年来深度学习技术在组织定征或者疾病诊断等许多重要领域的成功应用有助于提升检测效果及处理效率，但高质量声学图像的获得仍然需使用密集阵列的空间声场扫描。另一方面，深度学习技术中复杂计算所依赖的高性能计算机不仅显著增加了成本和能耗，亦使得器件的小型化和便携化更加困难。因此，寻找新的散射场分析机制来突破器件尺寸、处理速度、功耗大小及系统复杂度等方面的制约将具有重要的学术意义和应用价值。

该工作首次提出了声超构神经网络（acoustic meta-neural-network）概念，通过理论推导、数值计算及实验验证展示了超构神经网络简便、精准、实时、无源地完成复杂任务的新颖功能。此类神经网络的最小单元（称为"超构神经元"，meta-neuron）用声超构材料构建。尽管近年来蓬勃发展的声超构材料提供了天然材料不具备的特殊声学性能，但通常仅完成特定的波场操控功能，无法独立满足完成声学检测、成像等任务的需求。通过将声超构材料与深度学习的深度融合，证明了基于深度学习设计的特殊序构能够使声超构单元集合具备完成特殊任务的"智能"，例如通过分析散射声场来准确识别物体形状。

图1以识别手写体数字（0到9）的形状为例展示了超构神经网络的工作原理。后方探测区域划分为10个等大区域，分别代表数字0到9，超构神经网络会在所"认定"的数字对应区域上产生最强的能量输出。如图1所示，当声波入射到数字8上，所产生的散射波经过超构神经网络后主要汇聚至"8"对应区域，使得该区域内的总能量远大于其他区域，从而成功识别出该手写数字几何形状。通过理论和实验验证了所设计的超构神经网络能够成功识别了手写体数字（0-9）的形状(如图2所示)。

此外，我们还设计了可准确地对非共轴涡旋波束包含的所有阶数进行实时识别的平面声学器件，展示了超构神经网络功能的可扩展性（如图3所示）。显然，这种方法无需大量探测器构建的阵列、空间声场扫描或复杂的信号后处理过程，即可通过对散射波信号的实时处理来准确识别物体形状，整个过程无需消耗任何外部能量。此外，超构神经元特有的深度亚波长尺寸亦为超构神经网络相关器件的小型化和集成化提供了重要保障，开辟了研制廉价便携的声学智能探测器等功能器件及存算一体的新型机器学习芯片的途径。

最新研究成果以"Meta-neural-network for real-time and passive deep-learning-based object recognition" 为题发表在2020年12月9日的Nature Communications上[Nature Communications Volume 11, Article number: 6309 (2020), DOI: 10.1038/s41467-020-19693-x]。37000cm威尼斯博士生翁经锴和丁玉江为该文章的共同第一作者，梁彬和程建春为共同通讯作者。 该工作由37000cm威尼斯与华中科技大学合作完成。

该工作得到国家重点研发计划、国家自然科学基金、37000cm威尼斯登峰人才计划（B类）、江苏高校优势学科建设工程项目和华中科技大学鸟巢计划等项目支持。

全文链接：https://www.nature.com/articles/s41467-020-19693-x

图1 声超神经网络通过分析散射声场来识别物体形状的原理示意图

图2 (a) 输入数字8时测量平面上各个区域中的总能量分布的实验测量值 (b) 对20个测试数字样品测量得到的能量分布百分比

图3 超构神经网络识别复合涡旋束的示意图（以阶数为+3, ±4及偏移量为6λ 的涡旋束为例) 及测量平面的设计（可识别-4~+4阶的涡旋束，Y/N表明该阶数的有无）.