网页链接 - 这次来讲美国是100%的认怂了！ - 今日头条 - 今日头条//@光量子lqc: 创新的方法和工具在光子学领域的设计、表征和优化方面发挥着重要作用。作为机器学习的一个子集，它使用分层结构层学习数据的多级抽象，深度学习提供了一种有效的方法来设计光子结构，催生了数据驱动的方法，与传统的基于物理和规则的方法相辅相成。本文回顾了基于深度学习的光子设计的最新进展，提供了历史背景、算法基础和关键应用，并重点介绍了针对特定光子任务的各种模型架构。
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、普渡大学的合作者在光学领域顶级期刊《Nature Photonics》上发表综述文章“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结构设计这一蓬勃发展的新兴领域的最新研究进展（文章链接：网页链接）。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重要贡献。
研究背景
光子学结构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结构，比如超构材料、光子晶体、等离激元纳米结构等，已经在高速光通信、高灵敏度传感和高效能源收集及转换中得到了广泛应用。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相关经验完成的。尽管这种方法可以得到所需的光学响应，但其从本质上说是基于错误的反复尝试（trial-and-error）并且通常依赖于耗时的数值计算来完成，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语言识别、机器视觉、自然语言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征。这为解决上述光子学结构设计面临的问题提供了崭新的方向。本综述论文从不同的深度学习模型结构出发，分类介绍了不同模型在光子学设计领域中的适用范围和选择依据，同时对比了深度学习模型与常规反向设计方法的区别与优劣，最后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术领域，推动了诸多光学技术的发展。同时，航空航天观测、AR/VR 消费电子、手机摄影、超短焦投影仪等产业快速发展，对光学系统提出了更高、更复杂的设计需求。这些光学系统对性能的高要求，使得光学元件面形的复杂度相应提高。因此，传统的设计方法面临巨大挑战。深度学习具有强大的运算、数据演化和非线性逆问题求解能力，为更复杂的光学系统设计优化求解提供了新思路、新方法。随着对光学系统性能的要求越来越高，自由曲面、超构表面等新型光学元件的需求大大增加，为光学系统提供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。得益于人工智能技术软硬件的发展，光学系统设计方法也跨入新的时代——人工智能光学设计时代。
网页链接