近日，美国东北大学刘咏民教授的课题组与佐治亚理工学院、普渡大学的互助者在光学领域顶级期刊《Nature Photonics》上揭橥综述文章“Deep learning for the design of photonic structures”，系统回顾了近年来基于深度学习的光子学构造设计这一发达发展的新兴领域的最新研究进展（文章链接：https://www.nature.com/articles/s41566-020-0685-y）。论文第一作者为美国东北大学博士后马蔚（现为浙江大学特聘研究员），通讯作者为美国东北大学刘咏民教授、佐治亚理工学院蔡文山教授和普渡大学Alexandra Boltasseva教授，佐治亚理工学院的Zhaocheng Liu博士和普渡大学的Zhaxylyk A. Kudyshev博士亦对本文的撰写有主要贡献。
研究背景
光子学构造设计是光电子器件和系统设计的核心。许多人工设计的光子学构造，比如超构材料、光子晶体、等离激元纳米构造等，已经在高速光通信、高灵敏度传感和高效能源网络及转换中得到了广泛运用。然而，在该领域中通用的设计方法是基于简化的物理解析模型及干系履历完成的。只管这种方法可以得到所需的光学相应，但其从实质上说是基于缺点的反复考试测验（trial-and-error）并且常日依赖于耗时的数值打算来完成，从而导致效率很低并且很可能错过最佳的设计参数。
在过去的几年中，统计机器学习方法在措辞识别、机器视觉、自然措辞处理等领域发展迅速。利用多层神经网络的深度学习更是近年来该领域的最火热的方法之一。深度学习通过数据驱动的思想建模，不直接引入人为设定的规则，而是从大量数据中学习得到研究目标的规律与特色。这为办理上述光子学构造设计面临的问题供应了崭新的方向。本综述论文从不同的深度学习模型构造出发，分类先容了不同模型在光子学设计领域中的适用范围和选择依据，同时比拟了深度学习模型与常规反向设计方法的差异与利害，末了对该领域未来的发展趋势做出了展望。
深度学习已逐步深入多个光学技能领域，推动了诸多光学技能的发展。同时，航空航天不雅观测、AR/VR 消费电子、手机拍照、超短焦投影仪等家当快速发展，对光学系统提出了更高、更繁芜的设计需求。这些光学系统对性能的高哀求，使得光学元件面形的繁芜度相应提高。因此，传统的设计方法面临巨大寻衅。深度学习具有强大的运算、数据蜕变和非线性逆问题求解能力，为更繁芜的光学系统设计优化求解供应了新思路、新方法。随着对光学系统性能的哀求越来越高，自由曲面、超构表面等新型光学元件的需求大大增加，为光学系统供应了更大的发展潜力和想象空间。早期的迭代优化和直接求解的光学设计方法不再适用，光学设计方法向更高难度的数学求解方向发展。得益于人工智能技能软硬件的发展，光学系统设计方法也跨入新的时期——人工智能光学设计时期。
