A previsão rápida e precisa da resposta espectral de fase da superunidade é crucial para o projeto inverso de superlentes. Considerando o alto custo computacional e a baixa eficiência dos métodos tradicionais de simulação eletromagnética, além da dificuldade em atender às demandas de design inteligente de dispositivos de superfícies, propõe-se uma rede neural convolucional baseada no mecanismo de atenção por canal (ECANet) para realizar a previsão direta do espectro de fase da estrutura pixelada da superunidade. Com base no conjunto de dados de simulação da superunidade pixelada, os resultados do treinamento e validação do ECANet mostram que o erro médio absoluto (Mean Absolute Error, MAE) da previsão da fase dentro da banda de projeto é inferior a 0,06 rad; o ECANet treinado foi incorporado ao algoritmo de Otimização por Enxame de Partículas (Particle Swarm Optimization, PSO) para construir uma estrutura eficiente de projeto inverso de superlentes acromáticas. Os resultados da simulação mostram que a superlente projetada apresenta uma flutuação de distância focal inferior a 2% na faixa operacional, alcançando bom desempenho de foco acromático. Essa estrutura de projeto substitui a simulação tradicional pelo método de Diferença Finita no Domínio do Tempo (Finite Difference Time Domain, FDTD) pela rápida previsão de fase do ECANet, aumentando a eficiência computacional geral do projeto de superlentes em cerca de duas ordens de magnitude, reduzindo significativamente o ciclo de desenvolvimento enquanto mantém a precisão do design. Este estudo oferece um novo caminho técnico para o design inteligente e eficiente de dispositivos de superfícies na luz visível, com boas perspectivas de aplicação em óptica integrada, sistemas de microimagem, entre outros.

aprendizagem profunda; superlente acromática; projeto inverso; algoritmo de otimização por enxame de partículas