Design af en drone, der bruger adaptiv usynlighed:Mod autonome hav-land-luft-kapper

Ideen om, at objekter problemfrit forsvinder, ikke kun i kontrollerede laboratoriemiljøer, men også i virkelige scenarier, har længe fanget den populære fantasi. Dette koncept er indbegrebet af den menneskelige civilisations bane, fra primitive camouflageteknikker til nutidens sofistikerede metamateriale-baserede kapper.

For nylig blev dette mål yderligere fremhævet i Science , som et af de "125 spørgsmål:udforskning og opdagelse." Forskere fra Zhejiang University har gjort fremskridt i denne retning ved at demonstrere en intelligent aero amfibisk usynlighedskappe. Denne kappe kan bevare usynlighed midt i dynamiske miljøer og neutralisere ydre stimuli.

På trods af årtiers forskning og fremkomsten af ​​adskillige usynlighedskappeprototyper, er det stadig en formidabel udfordring at opnå en aero-amfibisk kappe, der er i stand til at manipulere elektromagnetisk spredning i realtid mod stadigt skiftende landskaber. Forhindringerne er mangefacetterede, lige fra behovet for afstembare metasurfaces med kompleks amplitude til fraværet af intelligente algoritmer, der er i stand til at løse iboende problemer såsom ikke-unikhed og ufuldstændige input.

Et hold ved Zhejiang University tackler disse udfordringer direkte og har afsløret en selvkørende, tilsløret ubemandet drone. Som rapporteret i Avanceret fotonik , denne drone integrerer problemfrit opfattelse, beslutningstagning og eksekveringsfunktioner.

Nøglen ligger i spatiotemporal modulering anvendt på rekonfigurerbare metasurfaces, hvilket muliggør tilpasning af spredningsfelter på tværs af rum- og frekvensdomæner. For at drive denne innovation foreslår de et generation-eliminerende neuralt netværk, også kendt som stokastisk-evolution læring.

Dette netværk guider globalt de spatiotemporale metasurfaces, og søger automatisk optimale løsninger med maksimal sandsynlighedsslutning, og løser dermed de en-til-mange problemer, der er iboende i det inverse design. I et banebrydende eksperiment implementerede holdet dette koncept på en ubemandet droneplatform og demonstrerede adaptiv usynlighed på tværs af tre kanoniske landskaber:hav, land og luft.

Denne fusion af spatiotemporale metasurfaces, dyb læring og avancerede kontrolsystemer udvider usynlighedskappernes rige til luftplatforme. Det integrerede neurale netværk fungerer som en sofistikeret kommandant, der optrævler det komplekse samspil mellem bølger og metasurfaces.

Dette gennembrud varsler et nyt paradigme inden for omvendt design, der tilbyder løsninger til mange-til-mange-korrespondancer. Ud over umiddelbare anvendelser tjener dette arbejde som en katalysator for at inspirere fremtidig forskning i materialeopdagelse og udvikling af adaptive meta-enheder. Fremover kan yderligere fremskridt adressere nuværende begrænsninger, såsom båndbreddebegrænsninger og udfordringer relateret til fuld polarisering.

Flere oplysninger: Chao Qian et al., Autonom aeroamfibisk usynlighedskappe med stokastisk evolutionslæring, Avanceret fotonik (2024). DOI:10.1117/1.AP.6.1.016001

Leveret af SPIE