【ZiDongHua 之“智能自動化”收錄關鍵詞：人工智能 數(shù)字孿生 北京師范大學 】
　　
　　人工智能學院黃華教授與合作團隊在Nature子刊發(fā)表綜述
　　
　　人工智能學院黃華教授與合作團隊在Nature子刊發(fā)表綜述
　　
　　計算光學通過引入計算賦能光學系統(tǒng)，突破傳統(tǒng)光學在感知維度、光通量、分辨率等方面的局限。光學編碼與計算解碼的協(xié)同作用，為生物醫(yī)學、天文觀測、農(nóng)業(yè)監(jiān)測等領域提供了增強的成像與感知能力。過去十年人工智能的跨越式發(fā)展，特別是深度學習技術，進一步提升了計算光學的精度與效率。近年來興起的端到端聯(lián)合優(yōu)化技術，將光學編碼過程數(shù)字化孿生為神經(jīng)網(wǎng)絡層，實現(xiàn)與解碼過程的同步優(yōu)化，其性能顯著超越傳統(tǒng)方法。然而，從優(yōu)化后的編碼參數(shù)逆向映射至物理調(diào)制元件的"物理孿生"過程，因存在比特深度、數(shù)值范圍與穩(wěn)定性等方面的差異鴻溝，面臨嚴峻挑戰(zhàn)。本綜述系統(tǒng)探討數(shù)字孿生模型中空間、相位、光譜等多維光學調(diào)制元件的適配性，針對不同成像/感知任務對精度、速度、魯棒性的差異化需求，提出調(diào)制元件的優(yōu)選策略。相關分析為攻克物理孿生瓶頸、推動下一代計算光學發(fā)展提供理論指引?！　　D片
　　
　　圖1.計算光學的歷史演進，橫軸表示時間，縱軸表征研究進展。(a基礎光學公式；b反向傳播概念；c卷積神經(jīng)網(wǎng)絡發(fā)展歷程；d計算成像框架；e基于深度學習的計算重建技術；f光學系統(tǒng)與圖像處理的端到端聯(lián)合優(yōu)化；g物理孿生流程示例。)
　　
　　綜述以“Physical twinning for joint encoding-decoding optimization in computational optics: a review”為題發(fā)表在Nature子刊《Light: Science & Applications》（IF=20.6）。論文的通訊作者包括北京師范大學人工智能學院黃華教授、北京理工大學張軍院士和邊麗蘅教授。
　　
　　這項工作得到了國家自然科學基金委重點項目的經(jīng)費支持。文章鏈接:Bian, L., Zhan, X., Yan, R. et al.Physical twinning for joint encoding-decoding optimization in computational optics: a review. Light Sci Appl14, 162 (2025).https://doi.org/10.1038/s41377-025-01810-4