随着纳米光子学的发展，具有超颖性质的人工微结构吸引了众多研究者。针对日益增长的研究和设计需求，北京大学物理学院方哲宇研究员及其研究团队实现了一种自洽的框架——BoNet，其结合贝叶斯优化（Bayesian optimization）和卷积神经网络（convolutional neural network），实现了纳米结构对于超强光学手性的自学习。基于此框架，他们将纳米结构设计表示为图形，并输入卷积神经网络进行电场分布和反射光谱的学习，此过程不需要将纳米结构参数化为向量，因此最大化地保留了其几何信息和边界条件。同时，研究团队利用贝叶斯优化以实现对纳米结构远场光学手性的优化，并运用其采样样本反复训练神经网络实现自学习。利用BoNet，他们针对远场反射光谱的圆二色性进行优化并逼近了其理论极限(CD = 1)，同时利用神经网络匹配预测的近场电场分布，对获得的强光学手性进行分析解释。

实现了逼近理论极限的高手性，并利用神经网络对近场分布进行分析
此框架能够被直接推广用于其它光学性质的自学习优化，例如实现反常透射、偏振态调制和相位调制。此方法论更进一步能够帮助设计更多具有良好光学性质和运用价值的纳米光子学器件，比如消色差超透镜、超灵敏的微传感器以及智能超表面等。这项研究同时能够启发更多数据驱动的研究，通过利用人工神经网络和其它机器学习的方法，实现对传统科学研究的新探索，在制药、引物设计、固体结构分析上启发新突破。

用于近远场计算的神经网络结构表征
该工作于2019年11月19日在线发表于学术期刊PHYSICAL REVIEW LETTERS，题为“Self-Learning Perfect Optical Chirality via a Deep Neural Network”(DOI: 10.1103/PhysRevLett.123.213902)。方哲宇是本文的通讯作者，北京大学物理学院李瑜、徐优俊、姜美玲为该文的共同第一作者，北京大学定量生物学中心来鲁华教授为合作者，北京大学为唯一通讯作者单位。该工作得到科技部、教育部、国家自然科学基金委、北京大学人工微结构和介观物理国家重点实验室、北京大学纳光电子前沿科学中心、量子物质科学协同创新中心、北京大学高性能校级计算平台、北京大学生命科学中心高性能计算平台等单位的支持。