光与纳米结构的相互作用一直是纳米光子学的重要研究内容之一，核心部件的纳米结构对光子器件的功能和性能具有决定性作用。纳米光子器件的设计存在两种思路：一是从物理原理出发的直观设计；二是根据所需光学响应探索最优结构的逆设计。近年来，逆设计在纳米器件中取得了一系列重要进展，尤其是最近将深度学习方法引入进来，开启了高性能纳米光子器件智能高效设计的新篇章。文章围绕纳米光子器件智能逆设计方法，分析归纳了这一新兴研究方向的产生背景、重要进展和典型应用，对智能逆设计面临的挑战及未来发展方向进行了展望。

随着天文学的发展以及天文望远镜观测能力的提升, 国内外许多大型巡天望远镜将产生PB级的恒星光谱数据。 恒星光谱是来自恒星的电磁辐射, 通常由连续谱与吸收线叠加而成, 其差异源于恒星的有效温度、 表面重力加速度以及元素的化学丰度等。 恒星光谱自动分类是天文数据处理的一项重要研究内容, 是研究恒星演化和参数测量的基础。 海量的恒星光谱对分类方法提出了高效、 准确的要求。 传统的人工分类方法存在速度慢、 精度低等缺点, 已经无法满足海量恒星光谱特别是低信噪比恒星光谱自动分类的实际需要, 机器学习算法目前已经被广泛地应用于恒星光谱分类。 恒星光谱的一个显著特征是数据维度较高, 降维不但可以实现特征提取, 而且可以降低计算量, 是光谱分类的首要任务。 传统的线性降维方法如主成分分析仅依据方差对光谱进行降维, 不同类型的光谱在投影到低维特征空间后会出现交叉现象, 而流形学习能够产生优良的分类边界, 很好地避开重叠, 有利于后续的分类。 针对光谱数据维度较高的特点, 研究了光谱数据在高维空间内的分布以及流形学习对高维线性数据降维的原理, 比较了t-SNE和主成分分析两种降维方法对光谱数据降维的效果, 并使用基于属性值相关距离的改进的K近邻算法进行光谱分类, 最终对实验结果进行了分析并使用多种机器学习分类器进行比较和验证。 采用Python语言及Scikit-learn第三方库实现了算法, 对SDSS的12 000条低信噪比的恒星光谱进行实验, 最终实现了光谱数据的高精度自动处理和分类。 实验结果表明, 对于光谱数据的降维处理, 基于流形学习的t-SNE方法能够在高维光谱数据中恢复低维流形结构, 即找出高维空间中的低维流形, 并解出与之对应的嵌入映射, 在降维过程中最大程度地保留不同类别光谱样本之间的差异从而产生明显的分类边界。 特征提取后, 使用机器学习分类器能够在测试数据集上达到满意的分类准确率。 所使用的方法也可以应用于其他的巡天望远镜产生的海量光谱的自动分类以及稀少天体的数据挖掘。

矮新星是一类特殊而稀少的半相接双星。 发现更多的矮新星对于深入研究物质转移理论、 理解密近双星演化过程意义深远。 利用深度学习技术提取天体光谱特征并进而分类是天文数据处理领域的研究热点。 传统的自编码器是仅包含一个隐层的经典神经网络模型, 编码能力有限, 数据表征学习能力不足。 模块化拓宽神经网络的深度能够驱使网络继承地学习到天体光谱的特征, 通过对底层特征的逐渐抽象学习获得高层特征, 进而提高光谱的分类准确率。 以自编码器为基础构建了由输入层、 若干隐藏层和输出层组成的基于多层感知器架构的深度前馈堆栈式自编码器网络, 用于处理海量的光谱数据集, 挖掘隐藏在光谱内部具有区分度的深度结构特征, 实现对矮新星光谱的准确分类。 鉴于深度架构网络的参数设置会严重影响所构建网络的性能, 将网络参数的优化分为逐层训练和反向传播两个过程。 预处理后的光谱数据先由输入层进入网络, 再经自编码器算法和权值共享实现对网络参数的逐层训练。 反向传播阶段将初始样本数据再次输入网络, 以逐层训练所得的权值对网络初始化, 再把网络各层的局部优化训练结果融合起来, 根据所设置的输出误差代价函数调整网络参数。 反复地逐层训练和反向传播, 直到获得全局最优的网络参数。 最后由末隐层作为重构层搭建支持向量机分类器, 实现对矮新星的特征提取与分类。 网络参数优化过程中利用均值网络思想使网络隐层单元输出按照dropout系数衰减, 并由反向传播算法微调整个网络, 从而防止发生深度过拟合现象, 减少因隐层神经元间的相互节制而学习到重复的数据表征, 提高网络的泛化能力。 该网络分布式的多层次架构能够提供有效的数据抽象和表征学习能力, 其特征检测层可从无标注数据中隐式地学习到深度结构特征, 有效刻画光谱数据的非线性和随机波动性, 避免了光谱特征的显式提取, 体现出较强的数据拟合和泛化能力。 不同层之间的权值共享能够减少冗余信息的干扰, 有效化解传统多层次架构网络易陷入权值局部最小化的风险。 实验表明, 该深度架构网络在矮新星分类任务中能达到95.81%的准确率, 超过了经典的LM-BP网络。

激变变星是一类特殊而且数量稀少的双星系统, 其主星是一颗白矮星, 伴星通常是一颗充满洛希瓣的光谱型为G, K或M型的晚型星或矮星。 激变变星是一类爆发型的恒星, 对于研究密近双星的演化具有积极的意义。 激变变星按照爆发特征和光变特征可以分为很多亚型, 如新星、 再发新星、 矮新星、 类新星和磁激变变星。 同时激变变星又是一类周期型的变星, 这些因素都导致其可见光光谱非常复杂。 目前对于激变变星的参数测量, 主要通过后续观测来测量其轨道周期、 主星和伴星之间的距离等。 由于在吸积的过程中, 物质在白矮星的表面累积, 无法直接测量主星的物理参数, 而且激变变星本身是一种暗弱的天体, 实测光谱数量较少, 因此极大限制了对激变变星物理参数的系统研究。 目前唯一能够生成激变变星理论光谱的软件是基于光致电离模型的CLOUDY, 但CLOUDY存在采样点过于稀少以及参数太多等问题, 不能作为理想的理论光谱模板。 法国ELODIE高分辨率的光谱可以作为M型恒星光谱参数测量的理论模板。 前期工作中, 通过机器学习等方法在美国斯隆巡天和中国郭守敬望远镜巡天数据中发现了一批激变变星。 通过人工筛选, 选择了伴星是M型的407条实测光谱, 这些光谱大部分是宁静期的矮新星, 光谱的主要特征是巴尔末线系和氦的发射线。 再通过与高分辨率的ELODIE光谱交叉, 利用SDSS-casjob数据库中的ELODIE参数, 对激变变星的红端部分进行模板匹配, 系统测量了其伴星的物理参数。 为了降低计算量, 对高维的光谱分别通过主分量分析和局部线性嵌入两种方法进行了特征提取和降维。 实验结果表明LLE方法在邻域大小15, 维度59时达到最高贡献率9491%。 根据PCA和LLE的交集, 最终光谱的维度确定为59。 实验中发现激变变星的伴星中M2型数量极少, 具体原因需要更多的样本来解释。 因为实验中激变变星光谱中, 只有部分有明显的分子带特征, 因此那些在爆发下降阶段或者光谱被吸积盘特征控制的激变变星没有进行参数测量。 该实验弥补了激变变星光谱物理参数测量的空白。

天体光谱是天体物理学重要的研究对象, 通过光谱可以获取天体的许多物理、 化学参数如有效温度、 金属丰度、 表面重力加速度和视向速度等。 白矮主序双星是一类致密的双星系统, 对研究致密双星的演化特别是公共包层的演化有着重要的意义。 国内外的大型巡天望远镜如美国斯隆望远镜以及中国的郭守敬望远镜, 每天都产生大量光谱数据。 如此海量的光谱数据无法完全用人工进行分析。 因此, 使用机器学习方法从海量的天体光谱中自动搜索白矮主序双星光谱, 有着非常现实的意义。 目前的光谱自动识别方法主要通过对已有的标签样本进行分析, 通过训练得到分类器, 再对未知目标进行识别。 这类方法对样本的数量有明确的要求。 白矮主序双星的实测光谱数量有限。 若要通过有限的样本集准确学习白矮主序双星的光谱特征, 不仅需要扩大样本数量, 还需要提高特征提取和分类算法的精度。 在前期工作中, 通过机器学习等方法在海量巡天数据中识别了一批白矮主序双星的光谱, 为该实验提供了数据源。 使用对抗神经网络生成新的白矮主序双星光谱, 扩大训练数据量至原数据集约两倍的数量, 增强了分类模型的泛化能力。 通过反贝叶斯学习修正损失函数, 将损失函数的大小与样本的方差相关联, 抑制了异常数据对模型造成的影响, 提升了模型的鲁棒性, 解决了由于训练样本集偏差带来的梯度消失以及训练陷入局部最优解等问题。 该实验基于Tensorflow深度学习库。 使用Tensorflow搭建的生成对抗网络具有较好的鲁棒性, 并且封装了内部实现细节, 使得算法得以更好地实现。 除此之外, 由Tensorflow搭建的卷积神经网络在该实验中用于分类准确度测试。 实验结果表明, 二维卷积神经网络能够利用卷积核有效地提取白矮主序双星的卷积特征并进行分类。 基于反贝叶斯学习策略的卷积神经网络分类器在白矮主序双星原始数据及对抗神经网络生成光谱的识别任务中达到了约98.3%的准确率。 该方法也可用于在巡天望远镜的海量光谱中搜索其他特殊和稀少天体如激变变星、 超新星等。

通过卷积运算提取白矮主序双星的光谱特征是提高识别精度的有效手段。 通过设计一维卷积神经网络, 以判别学习的方式从大量混合光谱中拟合出具有稳定分布的12个卷积核, 有效提取白矮主序双星的卷积特征。 通过引入相对松弛的光谱类别先验分布, 提出反贝叶斯学习策略以解决由于光谱抽样有偏带来的问题, 显著提高识别精度。 通过比较光谱在不同信噪比下的交叉熵测试误差, 分析卷积特征的提取过程对光谱信噪比的鲁棒性。 实验发现, 基于反贝叶斯学习策略的一维卷积神经网络对白矮主序双星的识别准确率达到99.0(±0.3), 超过了经典的PCA+SVM模型。 卷积特征谱的池化过程以降低光谱分辨率的形式缓解了光谱噪声对识别精度的影响。 当信噪比小于3时, 必须通过增加模型在光谱上的迭代次数以形成稳定的卷积核; 当信噪比介于3与6之间时, 光谱卷积特征较为稳定; 当信噪比大于6时, 光谱卷积特征的稳定性显著上升, 信噪比对于模型识别精度带来的影响可以忽略。

白矮主序双星是一类致密的双星系统, 主星是一颗白矮星, 伴星是一颗小质量的M型主序星。 白矮主序双星光谱的数量相对较少, 但对该类天体的研究对于进一步理解密近双星的演化, 特别是公共包层演化的物理机制等重要的天体物理热点有积极的意义。 SDSS-DR12是美国SLOAN巡天望远镜发布的最新数据, 基于前期实验在其中发现的4, 140个白矮主序双星光谱, 通过最小二乘法对这些光谱进行分解后, 使用模板匹配方法, 测量了这批样本中两个子星的基本参数, 包括有效温度、 重力加速度、 金属丰度等, 并对结果进行了分析和统计, 进一步丰富了白矮主序双星模板库。 白矮主序双星的参数测量的主要问题是计算量大, 在实验中使用了GPU技术, 提高了匹配效率, 在海量光谱处理方向进行了有益尝试。 实验结果表明该方法对大型巡天望远镜的海量光谱参数自动处理有较重要的应用价值。

大规模光谱巡天将产生海量的光谱数据, 为搜寻一些奇异甚至于未知类型的光谱提供了机会, 对这些特殊天体的研究有助于揭示宇宙的演变规律和生命起源, 巡天数据的离群数据挖掘有助于这些特殊的光谱的发现。 利用线指数对光谱数据进行降维能够在尽可能多的保留光谱物理特征的同时, 有效解决高维光谱数据聚类分析中运算复杂度较高的问题。 提出了基于线指数特征的海量恒星光谱离群数据挖掘及分析的方法, 以恒星光谱的Lick线指数作为光谱数据的特征, 利用聚类搜寻离群数据的方法在海量光谱巡天数据搜寻离群数据, 以此为基础并给出线指数特征空间内离群光谱数据的分析方法。 实验结果证明: (1)以线指数作为光谱的特征值能快速的完成对高维光谱数据的离群数据挖掘, 可以解决高维光谱数据运算复杂度高的问题; (2)该方法是在聚类结果上进行的离群数据挖掘, 能够有效的挖掘出数量较少的发射线恒星、 晚M型恒星、 极贫金属星、 缺失数据光谱等数据; (3)线指数特征空间的离群数据挖掘可以得到线指数特征空间内特殊恒星的发现规则。 本文所提出的基于线指数特征的离群数据挖掘及分析方法可以应用到巡天数据的相关研究中。