文章导读

磁共振成像（MRI）的硬件性能不仅取决于图像重建算法，更取决于如何在电磁安全约束下精准调控射频（RF）近场。随着超高场MRI的发展，射频场不均匀、信号衰减、线圈间耦合和比吸收率（SAR）升高等问题日益突出。传统依赖经验调参和反复全波仿真的设计方式，难以应对“线圈—超材料—人体”强耦合系统中的高维、非线性和个体化问题。

本综述中，清华大学刘井泉、赵乾团队系统梳理了人工智能驱动的MRI超材料设计方法，重点讨论代理模型、逆向设计、生成模型、强化学习和物理信息学习如何共同构成“数据—建模—优化—验证—回流”的智能设计闭环，并进一步分析其在信噪比提升、射频场匀场、柔性共形和可重构MRI硬件中的应用潜力。

关键词：磁共振成像、超材料、智能设计、代理模型、逆向设计、物理信息学习

Citation: Yuxuan Han, Jingda Wen, Qi Sun, Hao Wang, Qian Zhao, Jingquan Liu. Intelligent Design of Metamaterials for Magnetic Resonance Imaging: A Review[J]. AI for Science. DOI: 10.1088/3050-287X/ae9c5d

亮点 

• 首次系统打通“MRI物理需求→超材料设计空间→AI建模框架→工程验证链条”的完整逻辑，而不是把电磁超材料的通用AI方法简单套用到MRI场景。

• 清晰区分“已经在MRI中获得实验证据的方法”与“来自电磁/光学领域的跨领域迁移方法”，避免把算法速度提升误当成MRI工程可用性。

• 提出三条优先级明确的技术路线：标准化多保真数据集→物理约束与安全可信赖模型→制造与扫描级工程转化，路线图非常贴近MRI硬件研究实际。

• 把信号增强、场匀场、柔性共形、可重构调谐和多模态兼容等多个应用场景整合成一个统一闭环智能设计框架，而不是零散罗列案例。

• 明确指出当前最大缺口：多数AI超材料设计只在同分布测试中表现优异，真正缺失的是跨患者、跨姿态、跨扫描仪的泛化和可追溯安全验证链。

图1. AI驱动的MRI超材料智能设计框架。注：图片由NanoBanana生成。

研究背景

MRI具有无电离辐射、软组织对比度高等优势，是临床诊断和生物医学研究的重要工具。但在7 T及以上超高场条件下，组织内射频波长缩短，线圈—人体电磁耦合增强，容易造成射频场不均匀、局部信号衰减、成像伪影及SAR升高。增加线圈通道数虽然有助于提升信噪比和成像速度，却可能加剧通道间耦合和噪声惩罚。

电磁超材料及超表面能够利用亚波长结构重新分布、增强或引导局部射频场，为MRI硬件提供新的设计自由度。然而，其性能高度依赖结构几何、材料参数、阵列布局、线圈耦合以及人体加载条件。传统全波仿真和试错优化计算成本高、效率有限，也难以适应不同患者和扫描条件。人工智能为快速预测、逆向生成和多目标优化提供了新路径，但数据规模、物理可信度、跨患者泛化和工程验证仍是关键挑战

本文要点

01 为什么MRI超材料不能当成孤立周期单元来设计？

早期超材料设计通常基于理想周期边界、均匀介质或自由空间环境。但在真实MRI系统中，金属线圈、介质基板、超材料单元、空气界面和人体组织之间存在复杂的强电磁耦合。同一种SRR或高介电材料结构，在不同线圈距离、人体组织分布和姿态下，可能出现谐振频率偏移、品质因数变化、B₁^－分布改变以及SAR热点转移。

此外，局部磁场增强并不必然带来信噪比提升。SNR还受到超材料损耗、线圈电阻和人体样品噪声的共同影响。因此，MRI超材料应被视为运行于“线圈—超材料—人体—扫描仪”环境中的应用专用硬件，必须同时优化信号增强、射频场均匀性、电磁耦合和SAR安全。

图2. MRI系统硬件组件及射频信号链的示意图。

02 建立“数据—模型—设计—验证”的智能闭环

文章提出了一套面向MRI超材料的闭环设计流程。首先，通过拉丁超立方采样或Sobol序列覆盖高维设计空间，并利用CST、HFSS等工具开展高保真电磁仿真，必要时结合实验测量构建结构—响应数据库。随后，训练代理模型，快速预测结构、材料和加载条件对应的电磁场、频谱、S参数及SAR等指标。

在此基础上，逆向优化算法可以在虚拟环境中快速搜索满足目标性能的候选结构。设计结果还需经过高保真仿真、原型制造和MRI实验验证，验证数据再回流至数据库，用于主动采样、模型更新和误差修正。其价值不仅在于减少单次仿真时间，更在于将传统人工试错转化为能够持续迭代的系统化设计流程。

图3. 基于人工智能的MRI金属伪影智能设计框架示意图。

03 模型选择应服从结构表示和物理任务

不同类型的超材料应采用不同的代理模型。对于SRR、介电垫等低维、固定拓扑结构，MLP、SVR和树模型具有较高的效率，也便于开展参数敏感性分析。对于像素化、体素化和自由拓扑结构，CNN或3D-CNN更适合提取空间特征；对于宽带频谱预测，LSTM、GRU等序列模型能够学习不同频率点之间的相关性。

当系统包含大型阵列、多层结构、非规则布局或远程互耦时，Transformer和GNN更适合描述全局依赖及拓扑关系。不过，模型性能并不只取决于网络结构，还取决于是否纳入人体加载、线圈间距、组织参数和扫描仪配置等物理条件。GPR、多保真建模和主动学习则可用于降低昂贵仿真的数据需求。

图4. 智能前向预测的数据生成流程与代理模型选择策略。

04 TNN、INN、生成模型和强化学习应对逆向设计多解性

MRI 超材料的逆向设计本质上是不适定逆问题：同一个目标响应——例如某个指定共振频率、增强目标区域B₁^－且满足SAR限制——很可能对应大量不同的合法结构。如果强行训练一个简单“响应→唯一结构”的端到端映射，网络很容易把多个解平均成一个实际上既不满足物理条件也无法制造的无效结构。

为此文章系统梳理了四类应对方案：第一类是TNN级联结构，逆向网络先输出候选结构，再通过已经冻结的正向代理模型把它映射回响应空间，损失不再约束“结构等于标准答案”，而是约束“生成结构在正向模型中能够复现目标响应”，从而允许多个不同结构均被视为合理候选；第二类是INN可逆网络，通过引入潜变量z显式建模同一响应下的多种结构解；第三类是VAE/GAN等生成模型，能够突破人工参数化限制，探索自由拓扑、共形和非周期阵列；第四类是RL强化学习，尤其适合离散开关型可重构超表面，把调谐过程建模为“状态–动作–奖励”序列决策任务，在安全框架内逐步优化超表面配置。

文章非常清醒地指出：目前MRI场景中RL的证据仍然有限，近期更合理的角色是“经过验证的可重构硬件之上的策略层”，而不是完全替代电磁仿真的通用设计器。

图5. 基于数据驱动的MRI毫米级逆向设计方法。

05 将Maxwell方程引入模型，提升物理可信度

纯数据驱动模型即使具有较低的预测误差，也可能在训练数据分布之外产生违反物理规律的结果，例如界面处场分布不连续、频率响应出现非物理振荡，或SAR热点预测失真。在MRI这一安全敏感场景中，低MSE并不等同于工程可靠。

物理信息学习通过在损失函数中加入Maxwell方程残差、边界条件、界面连续条件、端口和源条件，使模型在拟合数据的同时遵循电磁规律。多区域耦合方法可分别处理空气、线圈、超材料和人体组织，并通过界面约束实现整体场耦合；物理信息神经算子和多保真建模则有望利用少量高保真数据预测不同患者、频率和加载条件下的电磁场。

这类方法可能降低对大规模标注数据的依赖，但仍需进一步解决训练收敛、损失权重、模型不确定性和分布外检测等问题。

图6. 物理信息设计方法。

06 MRI超材料正从单一增强模块走向智能硬件平台

文章将应用方向概括为性能优化、结构创新和功能扩展三个层次。在超低场MRI中，深度学习辅助设计的双层SRR结构已被用于增强局部B₁^－场，为便携式和床旁MRI提供信号补偿思路。在高场MRI中，面向自由形状介电垫和患者加载条件的智能匀场设计仍主要处于探索阶段。

在结构层面，人工智能可推动超材料从规则周期阵列发展为非周期、自由拓扑和柔性共形结构，并将弯曲、拉伸、扭转及人体曲率纳入优化过程。在系统层面，已有研究展示了具有14个可重构自由度的MRI超表面原型，可通过调节电容状态改变局部磁场分布。不过，跨患者、跨扫描仪的在线调谐、多核成像及多模态兼容，仍有待进一步验证。

图7. 用于MRI MMs的智能设计应用演化图谱。

总结与未来展望

AI与电磁超材料的结合，正在推动MRI硬件从经验试错走向数据和物理共同驱动的智能设计。未来研究需要重点突破三方面问题：一是建立标准化的MRI专用多保真数据集和基准任务；二是通过物理约束、不确定性量化和分布外检测提升模型的可信度与安全性；三是将制造误差、材料损耗、装配精度和扫描级验证前置到设计流程中。

从长远看，患者特异性电磁数字孪生、可迁移的预训练电磁代理模型以及可编程、可重构MRI超材料，有望支持面向不同患者、扫描任务和设备配置的快速硬件适配。但在进入临床应用前，仍必须完成从全波仿真、台架测量、原型测试到仿体MRI和跨设备验证的完整证据链。

注：以上内容由AI根据论文原文总结，具体内容参见原文：aiforsci.net/article/doi/10.1088/3050-287X/ae9c5d

支持单位：