深度学习赋能微纳光子学材料设计研究进展

付朋1,2　蓝文泽1,2　郭阳1,2*　顾长志1,2 (1. 北京凝聚态物理国家研究中心 中国科学院物理研究所； 2. 中国科学院大学 中国科学院真空物理重点实验)

摘要：光子学结构设计是微纳光学器件和系统研究的核心。许多人工设计的光子学结构，比如超材料、光子晶体、等离激元纳米结构等，已经在高速可视通信、高灵敏度传感和高效能源收集及转换中得到了广泛的应用。然而，该领域中通用的设计方法是基于简化的物理解析模型及基于规则的数值模拟方法，属于反复试错的方法，效率低且很可能会错过最佳的设计参数。因此，快速得到设计参数和光谱响应信息之间的潜在关联性，是实现光子学器件高效设计的关键。在过去的几年里，深度学习在语言识别、机器视觉、自然语言处理等领域发展迅速。深度学习的独特优势在于其数据驱动的方法，可以让模型从海量数据中自动发现有用的信息，这为解决上述光子学结构设计问题提供了一种全新的方法。本篇综述从不同的微纳光子学结构设计的应用场景出发，介绍了不同的深度学习模型在光子学设计领域中的适用范围和选择依据，并对该领域未来的机遇与挑战进行了总结与展望。

关键词：深度学习，微纳光子学，正向预测网络，逆向设计