超快光子学中的机器学习和应用

机器学习是一个概括性术语，描述使用统计技术和数字算法来执行任务，而不需要明确的编程和程序指令。机器学习算法广泛应用于工程和科学的许多领域，在分类、模式识别、预测、系统参数优化和从观测数据构建复杂动力学模型等方面具有独特的优势。机器学习工具已广泛应用于控制系统、语音处理、神经科学和计算机视觉等领域。

       在光学和光子学中，机器学习的早期应用大多以遗传算法的形式出现，用于模式识别、图像重建、像差校正或光学元件的设计。最近的工作集中在对大数据集的分析和逆向问题上，其中机器学习分类数据的优越能力，识别隐藏的结构和处理大量的自由度已经得到了许多重要的结果。特别成功的领域包括纳米材料和具有特定目标特性的结构的设计、无标签细胞分类、超分辨率显微镜、量子光学和光通信。

       除了在一般的数据处理领域的应用，机器学习方法有特殊的潜力来驱动下一代的超快光子技术。这不仅是因为对超快激光器的自适应控制和自调整的需求日益增加，而且因为光子学中的许多超快现象是非线性和多维的，具有噪声敏感的动力学，这对使用传统方法建模具有极大的挑战。而测量技术的进步导致了大量此类复杂动力学的实验研究进展,近期研究表明,机器学习算法提供新的方法来识别序结构在嘈杂的大量数据,甚至可以可能适用于确定底层物理模型和控制方程基于复杂时间序列的分析。

       近日，来自芬兰坦佩雷大学光子学实验室的Goëry Genty等人回顾机器学习在超快光子学方面已经实现的一些具体领域，并考虑挑战和未来的研究方向，以及在未来几年有望产生实质性影响的应用。相关工作发表在《Nature photonics》上。（郑江坡）

文章链接：https://doi.org/10.1038/s41566-020-00716-4