近年来，深度学习，机器学习，人工智能等醒目的名词不断充斥着人们的视线。这些新概念广泛出现在各个领域中。本文重点介绍在光子学设计中深度学习的应用。
深度学习是实现机器学习的一种手段，而机器学习是实现人工智能的一个研究方向。深度学习，是一种模拟生物中枢神经系统（特别是大脑）的数学模型或计算模型。该模型可以基于外界信息改变内部结构，通俗的讲就是具备学习功能。
在光与物质相互作用的研究中人们发现，不同的微结构与光相互作用或产生不同的效果。通过改变结构的尺寸、材料、形状等性质，可以实现对光的调控。因此，在光通信，生化检测，太阳能收集和量子信息处理等方面，设计得当的光子结构可以起到无与伦比的作用。
目前光子结构的设计方法主要有以下两种：从基本的物理学原理出发，建立分析模型，并计算求解；基于数值模拟方法的电磁建模。
深度学习在光子学设计中的应用已经吸引了大量行业内外的关注。对此，美国东北大学的刘咏民教授团队，佐治亚理工学院的蔡文山教授团队以及普渡大学的Alexandra Boltasseva教授团队合作，以“Deep learning for the design of photonic structures”为题在Nature Photonics发表综述论文。
该综述展示了一些具有代表性的最新研究成果，尤其是对于基于经验和传统设计方法不可行的情况下，深度学习设计方法可以取得哪些突破。
神经网络是深度学习的主要模型。神经网络中计算的基本单元是神经元，一般称作“节点”（node）或者“单元”（unit）。节点从其他节点接收输入，或者从外部源接收输入，然后计算输出。每个输入都辅有“权重”（weight，即 w），权重取决于其他输入的相对重要性。
在2018年，Itzik Malkiel及其同事提出了一种双向多层感知器设计方法，该模型可用于设计等离子体纳米结构。设计的参数主要有8个，分别是3个连续参数（各个臂的长度和旋转角度）5个二进制参数（各个臂的存在与否，用0，1表示）。设计的目标是结构在偏振光的照射下的反射光谱。
未来，深度学习与光子学设计的结合将更加紧密，面临的挑战也更加严峻。研究人员认为，深度学习可以作为发现结构与其光学响应之间复杂关系的有力工具。然而，目前大多数文献都局限于在线性图示下以光谱（反射，透射，散射，吸收等）的方式研究结构的光学性质。