基于机器学习的宽带异常折射声学超表面

摘要

异常折射现象作为波动声学中的重要研究内容，能突破传统折射规律的限制，实现声波传播方向的非常规控制.近年来，声学超表面凭借其对声波的精确调控能力在声学异常折射方面取得了显著进展，但传统声学超表面存在带宽窄、色散强等局限，限制了其在声隐身和降噪等领域的应用.因此，提出一种机器学习辅助设计的宽带异常折射声学超表面，该超表面由16个混合多重共振的亚波长单元组成，各单元均具有宽带高透射率（>98%）和强线性相位拟合度（>97%），可实现1000～4000 Hz内折射角恒定（Δθ<2.6°）的宽带异常声折射.机器学习辅助设计采用结合自适应熵搜索的高斯贝叶斯优化策略，能在小样本条件下快速探索高维（16×6）参数空间，不超过60次迭代可以确定每个单元的最优结构参数配置.数值仿真结果验证了提出的宽带异常折射声学超表面的有效性，为宽带声波操控、定向声能传输和声隐身技术提供了新思路.

关键词

高斯贝叶斯优化 / 宽带操控 / 异常声折射 / 声学超表面 / 熵搜索策略