他叫马蔚，目前担任浙江大学信息与电子工程学院特聘研究员。其科研经历和一般人有着些微不同。本科和博士毕业于浙大和北大，先后学习电子科学和微电子学，随后到美国东北大学做博后。求学之路进行到这里，似乎和很多科研人员一样。但在博后出站后，他并没有立马进入高校担任教职，而是在某金融科技头部公司，做了将近两年的资深算法研究员。图

马蔚（来源：马蔚）或许正是这段业界从业经历，让他成为少有的能同时深入了解人工智能和光电子学两个方向的学者。马蔚目前的个人主页显示，其主要专注于微纳光学和集成光学。令人眼前一亮的是，“机器学习及其在光学中的应用”也是他的研究方向之一。近日，他从人工智能的研究思路出发，与美国东北大学和南京大学合作，提出了一种利用机器学习模型助力微纳光学器件设计的全新框架。通过机器学习模型挖掘训练数据中设计结构与光学响应间的统计规律，并结合其他迭代优化算法，最终实现了超表面微纳光学器件的大规模、系统级寻优和设计。基于此框架，他和同事设计了可在近红外波段4个波长、2个正交偏振入射下实现8种不同功能的超表面聚焦反射镜和全息片，并在实验中加以验证。“整个设计、加工、测试过程在我们两个国家、三个城市的团队间迭代了好多次，期间主要靠线上交流和样品邮寄维持项目的平稳推进，终于在不到两年的时间内高效地完成了所有的研究工作，取得了预期的效果。”对于最近发表的论文，马蔚表示。近日，相关论文以《基于统计机器学习方法的极限多功能复用超表面的设计》（PushingtheLimitsofFunctionality-MultiplexingCapabilityinMetasurfaceDesignBasedonStatisticalMachineLearning）为题发表在AdvancedMaterials上[1]。图

相关论文（来源：AdvancedMaterials）提出全新框架，用机器学习模型助力微纳光学器件设计对于光波来说，它可以被幅度、相位、偏振、频率等参数描述。通过有效调控这些参数，可让人们以光为载体去实现通信、计算、传感、成像及信息处理等各种用途。其中，微纳光学器件在光场调控中起着重要作用。例如，基于超表面（metasurface）的平面光学器件，通过人工设计的亚波长结构，再加上特定的排布方式，就能在全平的衬底上实现透镜、滤波、全息显示、偏振控制等功能，在制备上可采用常规的芯片加工方法，最终形成小型化、集成化的微纳光电子系统。微纳光学器件的设计，核心是在亚波长尺度下的器件结构设计。常见设计方法是基于简化的物理模型或人工经验选择特定的设计模板，然后利用参数扫描法对器件结构进行优化。这类方法本质上属于试错式设计，具有很大的局限性。具体来说，首先，采用的设计模板往往只能针对特定的简单功能，对于功能复杂或者多功能复用的要求，有时很难找到合适有效的初始设计模板；此外，在进行参数扫描时，必须采取数值仿真的方法对器件性能进行评估，大量的参数扫描非常耗时，优化效率低，只适用于少量设计参数的器件优化。因此，对于大规模、系统级的微纳光学器件的设计，常规方法的设计能力非常受限。和原子组成自然材料相似，超表面是由二维排布的一系列人工设计的光子结构构成，因此超表面的设计核心，在于针对不同光学响应的人工光子结构设计。如图一所示，本工作采用了两种机器学习模型，分别是用于预测人工光子结构光学响应的正向预测模型，和根据所需光学响应设计人工光子结构的逆向生成模型。这两种机器学习模型被嵌入到常规的迭代优化算法中，形成一个端到端的优化闭环，在给定设计目标后，这套算法框架就可以实现对微纳光学器件的自动优化和设计。图一

结合机器学习模型与其他迭代优化算法的微纳光学器件设计框架（来源：AdvancedMaterials）在论文收到的审稿意见中，三个审稿人中有两位给出了Outstanding（Top5%）的综合评价，并点评称“该方法对于多功能微纳光学器件设计这一挑战性问题给出了出色的设计性能结果”。审稿人还指出，该团队所提出的基于机器学习的设计框架，突破了手动设计多功能超表面的极限，有望进一步形成复杂微纳光学器件设计的通用方法。“无心插柳柳成荫”本次研究是该团队此前工作的延续，基于机器学习的微纳光学器件设计的课题最早从年底开始构思，那时人工智能正迎来本轮发展的高峰，尤其是以深度学习为代表的数据驱动模型已经在传统的计算机视觉、自然语言处理等领域取得了空前的成功，并逐步在材料研发、生物分析等领域得到了探索与应用。那一年，马蔚刚到美国做博士后，主要从事基于石墨烯的光电子器件的设计和实验。当时他发现，每次的器件设计优化都非常费时，都得尝试不同结构并进行参数扫描寻优，期间得到的大量中间数据结果基本都没有利用到。在了解机器学习领域的最新发展和研究方法后，他与当时的导师美国东北大学机械工程系刘咏民教授讨论，决定分出一部分精力，专门进行机器学习用于光子学设计的研究，故该课题最早属于“无心插柳”的尝试。确定研究方向后，他们先进行一系列的理论研究工作。实际上，与通常的模式识别任务类似，在光子学设计任务里面，所面临的主要问题也是光子器件结构与它的光学响应之间复杂的的联系。当给定器件结构后，器件性能可以通过数值仿真的方法确定，但是逆向设计过程，也就是在面向特定性能需求时，很难获得满足要求的器件结构，往往存在“一对多”的复杂映射关系，在器件结构受限、且设计功能多样的情况下尤其困难。而深度学习的方法通过数据驱动的思想建模，不直接引入人为设定的规则，是从大量数据中学习得到研究目标的规律与特征，这为解决光子学结构设计面临的问题提供了崭新的方向。在理论建模的研究中，马蔚等人从年起，陆续发表了几篇理论文章和综述文章[2-5]，这也让他们获得了广泛

转载请注明:http://www.aideyishus.com/lktp/141.html