深度学习革命为在所有尺度上操纵和利用光提供了诱人的新机会。通过从大型实验或模拟数据集构建光物质相互作用模型，深度学习已经改进了纳米光子器件的设计以及实验数据的采集和分析，即使在基础理论尚未充分建立或过于复杂而无法理解的情况下也是如此的实际用途。除了这些早期的成功案例之外，深度学习还带来了一些挑战。最重要的是，深度学习就像一个黑匣子，难以理解和解释其结果和可靠性，尤其是在对不完整的数据集进行训练或处理对抗性方法生成的数据时。瑞典哥德堡大学DanielMidtvedt、GiovanniVolpe教授等在概述了深度学习目前在光子学中的应用后，讨论了新出现的机遇和挑战，揭示了深度学习如何推动光子学。

亚波长范围内光与物质的相互作用构成了许多应用的基础，从显微镜和纳米传感器到数据存储和光通信。为了优化此类应用程序的性能，预测和分析光与物质相互作用的能力至关重要。传统上，这些任务基于算法求解给定几何形状的麦克斯韦方程，其参数需要通过实验测量来确定。然而，这种方法通常很耗时，仅适用于相对简单的几何形状，并且对测量噪声非常敏感。最近，人们对使用机器学习，尤其是深度学习来解决传统方法的局限性产生了浓厚的兴趣。简而言之，深度学习模型是一种人工神经网络，它通过一系列以大量可训练参数为特征的转换，将输入数据的向量转换为输出数据的向量。网络结构的选择，即其架构，仍然主要是品味和经验的问题，而不是明确确立的原则的结果。网络必须足够复杂以对手头的问题进行编码，但又不能复杂到抗拒训练。一旦定义了架构，通常通过使用一组具有相应期望输出的输入数据来训练网络。具有数千个可训练参数的网络可以使用常用计算资源在合理的时间内使用随机最速下降和误差反向传播等算法进行系统优化。

通过机器学习设计光子器件可以追溯到年代，当时优化了微波电路组件，从递归神经网络开始，然后过渡到前馈神经网络。后来，在年代初期，神经网络被用于设计光子晶体光纤。在过去十年中，用于光子和等离子体组件的逆向设计的神经网络引起了极大
转载请注明原文网址：http://www.13801256026.com/pgyy/pgyy/729.html