近日，我院教师团队联合新加坡科技研究局、厦门大学等团队，提出了一种现实融合（Reality-infused）的深度学习框架。相关成果以“Reality-infused deep learning for angle-resolved quasi-optical Fourier surfaces”为题，发表于中国光学工程学会会刊《PhotoniX》（IF=19.1）上，PhotoniX由Springer Nature出版，入选中国科技期刊卓越行动计划。

人工智能的最新突破使深度学习成为光学设计领域的前沿技术，为传统的计算方法提供了快速灵活的数据驱动替代方案。大多数现有的深度学习策略依赖于电磁仿真来生成用于模型训练的大型数据集。然而，传统的深度学习架构本质上受限于其对仿真数据的依赖性，无法捕捉现实世界中的缺陷，例如制造缺陷和测量不一致性。此外，获取大规模实验数据集通常成本高昂、耗时费力且技术难度大，这成为数据驱动设计范式的主要瓶颈。

为了弥补仿真与实验之间长期存在的差距，团队提出了一种基于现实的深度学习设计范式，该范式利用实验数据而非仿真结果。这种策略使模型能够高效地捕捉真实世界的制备缺陷和不确定性。图1展示了所提出的现实融合框架的工作流程示意图，通过基于傅里叶光学的高通量角分辨光谱技术系统，实现大规模通用实验数据的快速获取。

图1用于光学设计的现实融合深度学习架构示意图

基于实验数据构建了该现实融合深度学习架构，如图2所示。传统仿真方法难以准确反应实际光谱特征，包括共振波长、谱线形状及品质因子等关键参数，这种差异主要源于表面散射、晶界散射、加工误差及其他制造缺陷等现实因素；而本文提出的深度学习模型在绝大多数波长范围内显著降低了光谱预测的绝对误差，尤其在近红外区域表现更为突出；更为重要的是，与传统基于FDTD的仿真方法相比，该方法在光谱评估效率（以单位时间内完成的光谱计算次数衡量）上实现了约900倍提升。

图2仿真驱动方法与现实融合方法的性能对比

综上所述，本研究提出了一种现实融合深度学习框架，通过结合高通量角分辨光谱实验数据，实现了对超构表面光谱响应的高精度建模与高效设计。该方法突破了传统仿真驱动方法的局限，不仅显著提升了设计效率，同时大幅提高了实验一致性。该研究为实验数据驱动的光学设计提供了一种切实可行的新路径，对超构表面及光电子器件的发展具有重要指导意义。

论文链接：https://link.springer.com/article/10.1186/s43074-026-00238-2。