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：https://www.nature.com/articles/s41566-020-0685-y）。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。
由于学习平台文献、视频教程资料较少，技术不公开，对于有相应科研任务和发高质量文章的科研人员极度困扰，而培训学习迫在眉睫， 应广大科研人员要求，本单位经过数月调研，决定联合专家共同举办“深度学习光学设计”专题培训班。
1.深度学习光学设计的培养目标主要集中在培养具备扎实光学设计理论基础和深度学习技术知识的高级专业人才。他们不仅需要熟悉传统光学设计的原理和方法，还需要掌握深度学习算法的原理和应用，能够运用深度学习技术对光学系统进行创新设计和优化。
2.学习光学的几何原理、电磁理论，熟悉光学成像系统的评价标准。了解传统光学设计数值算法和参数优化法。
3.了解深度学习在可见光成像系统相比于传统光学设计方面的优势，学会使用深度学习光学设计完成简单光学系统的搭建、光学系统的优化、光学系统的配光等。
4.熟悉深度学习的算法和框架，能够运用深度学习技术对超材料的光学性能进行预测、优化和控制。
5.了解深度学习光学设计在光纤控束等领域的发展现状，启发创新性思维，推动光学设计向更加智能化和自适应的方向发展。
6.在未来，深度学习在光学设计方面有望更加深入，利用深度学习解决非线性关系问题的优势，结合调制传递函数、光学像差、偏振像差等光学系统评价标准，实现从初始结构的设计到特定的光学系统优化设计，甚至利用深度学习在图像处理等方面的发展，可能做到从光学系统设计、光学系统成像、图像处理和分析整个过程的学习优化。
7.随着光学设计在各个领域的广泛应用，深度学习光学设计人才也将面临更加广阔的职业发展空间。他们可以在光通信、生物医学、智能制造、机器视觉等领域发挥重要作用，为相关产业的发展和创新做出积极贡献。
1、课程特色--全面的课程技术应用、原理流程、实例联系全贯穿
2、学习模式--理论知识与上机操作相结合，让零基础学员快速熟练掌握
3、课程服务答疑--主讲老师将为您实际工作中遇到的问题提供专业解答
深度学习光学设计主讲老师来自国内光学精密机械研究所，研究方向涉及微结构光纤、太赫兹光纤器件、特种环境光纤成像系统等。参与国自然科学基金项目以及青年科学基金项目等。在国内外学术刊物发表论文数10余篇，包括Optics letters、Journal of Lightwave Technology等
光学基础
第一章. 光学基础
1深度学习光学设计综述
1.1光学设计概述
1.2深度学习在成像光学系统的应用举例
1.3深度学习在非成像光学系统的应用举例
1.4深度学习在光子器件的应用举例
1.5深度学习光学设计的优势
1.6深度学习光学设计的发展趋势与挑战
2.光学设计基础知识
2.1几何光学基本定理与成像概念
2.2光的电磁理论基础
2.3光学系统的输入量及输出量
2.4光学系统的评价标准
3 ZEMAX光学设计辅助软件
3.1安装ZEMAX软件（实操）
3.2 ZEAMX软件简单介绍（实操）
3.3使用光学软件进行简单光学系统设计（实操）双胶合消色差物镜设计、双分离消色差物镜设计等。
深度学习基础知识Python语言基础
第二章. 深度学习基础知识Python语言基础
1.1 Python软件安装和环境搭建
1.2常见的数据结构和数据类型
2.神经网络
2.1多层感知机实例说明
2.2卷积神经网络的实例说明
2.3循环神经网络的实例说明
2.4生成对抗网络的实例说明
2.5复杂神经网络的实例说明
基于深度学习的透射式光学系统初始结构设计1监督学习过程
第三章. 基于深度学习的透射式光学系统初始结构设计1监督学习过程
1.1 DNN模型介绍
1.2自归一化神经网络参数初始化方法
1.3 SELU函数及使用
1.4 Softplus函数及使用
1.5最邻近搜索算法
1.6监督损失函数的构建
2无监督学习过程
2.1无监督学习模型介绍
2.2 光线追迹
2.3光线追迹自定义监督函数3监督+无监督学习综合3.1超参数设置3.2监督函数3.3模型可靠性的讨论与验证
基于深度学习和程能映射的自由配光设计
第四章. 基于深度学习和程能映射的自由配光设计
1理论
1.1配光方程
1.2程能映射
1.3 SEM迭代算法
1.3 DNN-KE模型理论
2实操
2.1DNN-KE模型搭建
2.2英文字母和阿拉伯数字为例，28*28输入点阵对模型进行训练
2.3 SEM迭代算法实现
2.4 SSIM法分析SEM与DNN-KE一致性分析
基于深度学习的光学超材料与光纤光束控制设计
第五章. 基于深度学习的光学超材料与光纤光束控制设计
1超材料介绍
1.1超材料概述
1.2超材料在光场调控中的作用1.3数值计算设计超材料法
2深度学习超材料实例2.1 MLP网络模型完成对8层球壳纳米材料的逆向设计
2.2 SMTL 网络模型低维纳米结构的设计
2.3 INCEPTION V3网络模型对二值化超材料的预测
2.4 数据增强的贪婪优化网络模型（DEDGO ）实现多种结构低维异质结的快速准确设计 2.5 CNN与RNN结合网络模型预测纳米器件结构的吸收光谱
3 深度学习在光纤光束控制的实例
3.1 类人算法（HLA）实现NPR激光器的自动锁模
深度学习在光学设计应用培训时间：
2024.06.08-----2024.06.09（（上午9:00-11:30 下午13:30-17:00）
2024.06.12------2024.06.13（晚上19:00-22:00）
2024.06.15------2024.06.16（上午9:00-11:30 下午13:30-17:00）
通过腾讯会议线上直播，理论+实操的授课模式，老师手把手带着操作，从零基础开始讲解，电子PPT和教程开课前一周提前发送给学员，所有培训使用软件都会发送给学员，有什么疑问采取开麦共享屏幕和微信群解疑，学员和老师交流、学员与学员交流，培训完毕后老师长期解疑，培训群不解散，往期培训学员对于培训质量和授课方式一致评价极高
腾讯会议问题实时解答及学员反馈
培训费用及福利
课后学习完毕提供全程录像视频回放，针对与培训课程内容进行长期答疑，微信解疑群永不解散，参加本次课程的学员可免费再参加一次本单位后期组织的相同的专题培训班（任意一期都可以）
引用本次参会学员的一句话：
声明：本文为特约发布，内容及引用仅供参考！本文所用视频、图片、文字如涉及版权问题，请第一时间告知，我们将根据您提供的证明材料确认版权并按国家标准支付稿酬或立即删除。
