客服热线：
手机版
二维码
当前，人工智能取得了巨大进步，并广泛融入了包括光子学在内的多学科前沿研究之中。机器学习和深度学习等方法已成为开发光子器件的主流设计工具。在人工智能加持下，光学结构设计正逐渐演变成预测给定结构的物理响应（正向设计）以及寻找提供所需响应的最优结构参数的逆向过程（逆向设计）。尽管将机器学习应用于光子器件设计是现阶段最典型的应用，智能技术新应用的不断涌现正驱动着人工智能加持的超构光子学这一新领域的蓬勃发展。
这个新兴的光学子领域涵盖了由使用人工超构原子（即亚波长纳米结构），操控光场激发电和磁谐振效应的智能系统和器件。其最新进展在很大程度上是由于机器学习（ML）等概念的蓬勃发展，核心为数据驱动提高人工智能学习能力的算法。
澳大利亚国立大学Yuri Kivshar院士和俄罗斯ITMO的Sergey Krasikov领导的国际研究小组在其最新综述中，系统介绍了智能超构光子学领域——人工智能 (AI) 和超构光子学交叉科学领域的进展，避开了算法实现的技术细节，重点介绍了机器学习背后的基本原理。该综述以“Intelligent metaphotonics empowered by machine learning”为题，发表于Opto-Electronic Advances 2022 年第 3 期。
该综述集中于机器学习在超构光子学中的应用，也涉及了用于设计此类光子结构的机器学习过程以及由此衍生的其他用途，包括分类工具、控制系统和反馈机制。
文章首先介绍了超构光子学的基本单元结构，纳米天线的机器学习辅助设计。随后，重点介绍了变革性超构表面及其通过机器学习增强其特性的例子。接着，还特别关注了其潜在的实际应用，例如结构颜色、激光雷达或近眼显示器。作者采用一个单独的小节着重介绍超构表面作为生物传感平台的应用。因为在该领域，机器学习不仅可以用作设计方法，还可以用作样品分类的工具，并列举了用于 SARS-CoV-2 分类和监测生物分子动力学的传感器的研究实例。
文章还特别强调了其潜在的实际应用，包括太阳能电池、生物传感器及成像。在超构光子学的未来发展展望中还引入并讨论了自适应系统和智能生物传感器等新概念。在自适应领域，作者表示智能光子设备能够随着环境条件的变化自动调整其响应。例如，可以根据电磁场频率和入射角的变化而自适应调整的“隐身斗篷”，这些特性使它在广泛的应用条件下能够保持功能性。智能生物传感器研究充分展示了机器学习成为样本分类工具的潜在可能。此外，文章还说明了超构光子学对人工智能的重要性，展示了将超表面用作实现全光机器学习算法平台的示例。
基于深度学习技术的逆向和正向设计以及超构光学应用
最后，作者对智能超构光子学领域的新兴和潜在趋势进行了展望，不仅讨论了机器学习对光子学的影响，而且还反向展望了光子学对人工智能技术的重要性。
在该综述中，作者并未对机器学习构建算法进行详细的赘述，而是将机器学习视为一个“黑盒子”，只提供预期的结果（没有具体到网络和算法层面展开它的实现方法），将机器学习和超构光子学的各个方面联系在一起，全方位、多角度呈现了它们相互作用的情景，突出了智能系统的特性。这种综述架构使作者能够专注于特定的超构光子系统以及由机器学习支持的应用，而不是特定的方法和算法。正是这种方式，使得即使不熟悉计算机科学的广大普通读者也会发现该综述极具阅读价值，既能够提供智能超构光子学领域的入门介绍，同时也可以帮助了解该领域最新进展的概况。
