機器學習策略下的超快光子學設計：回顧與展望（特邀）

彭家俊，李曉輝，郗孫凡，焦可欽

（1 陜西師范大學 物理學與信息技術學院，西安710072）

（2 陜西師范大學 生命科學學院，西安710072）

0 引言

如今在云計算、大數(shù)據(jù)的人工智能時代，人們對更快、更高效的信息處理和存儲超快光子器件的需求將越來越大［1-5］。但同樣伴隨著的是，半導體芯片、算法編程開發(fā)、物聯(lián)網(wǎng)集成與光子學的開拓融合與發(fā)展面臨著重大挑戰(zhàn)。超快光子作為激光能量的輸出與傳輸通信的媒介，還沒有在信息處理和數(shù)據(jù)計算中得到廣泛應用［6-11］。隨著人工智能技術的發(fā)展，機器學習策略由于強大的計算性能、硬件的可移植性，以及生成和訪問大型數(shù)據(jù)集的快速便捷化，使其在解決和控制光子數(shù)據(jù)時顯得非常有效和強大［12-13］。通過基于機器學習策略的數(shù)據(jù)驅(qū)動解決方案，不僅使得光子器件的目的性更加明確，獲取、處理和存儲所需的數(shù)據(jù)方面更加高效，而且在傳輸速率、能耗、性能、整體尺寸、成本等方面具有顯著優(yōu)勢，創(chuàng)建可以在新的操作機制中運行的光學設備［14-15］。如今，機器學習已經(jīng)成為包括高速光通信和計算［16-20］、超靈敏生化檢測［21］、特定目標特性的納米材料和結(jié)構(gòu)［22-24］、無標簽細胞分類［25］、量子光學［26］、高效太陽能收集［27］和超分辨率成像［28-29］，以及量子信息處理［30-31］的變革驅(qū)動性技術。

然而，機器學習策略雖然提供了重要的指導方針，但當時間和空間的幾何維度變得復雜甚至無法度量時，要找到合適的算法和器件結(jié)構(gòu)來實現(xiàn)所需的光子特性并非易事。在尋找最優(yōu)模型時，我們需要利用數(shù)據(jù)驅(qū)動執(zhí)行參數(shù)設計和迭代模擬，以趨近于理論優(yōu)化的極限，而這一過程很大程度上依賴于以往的設計經(jīng)驗［32-33］，因此更具未知與挑戰(zhàn)性?！?br>