隨著納米光子學的發展，具有超穎性質的人工微結構吸引了眾多研究。針對日益增長的研究和設計需求，北京大學物理學院方哲宇及其研究團隊實現了一種自洽的框架——BoNet，其結合了貝葉斯優化（Bayesian optimization）和卷積神經網絡（convolutional neural network），實現了納米結構對于超強光學手性的自學習。基于此框架，他們將納米結構設計表示為圖形，并輸入卷積神經網絡進行電場分布和反射光譜的學習，此過程不需要將納米結構參數化為向量，因此最大化的保留了其幾何信息和邊界條件。同時，利用貝葉斯優化以實現對納米結構遠場光學手性的優化，并運用其采樣樣本反復訓練神經網絡實現自學習。利用BoNet，他們針對遠場反射光譜的圓二色性進行優化并逼近了其理論極限(CD = 1)，同時利用神經網絡匹配預測的近場電場分布，對獲得的強光學手性進行分析解釋。

此框架能夠被直接推廣用于其他光學性質的自學習優化，例如實現反常透射，偏振態調制和相位調制。更進一步的，此方法論能夠幫助設計更多的，具有良好光學性質和運用價值的納米光子學器件，比如消色差超透鏡，超靈敏的微傳感器以及智能超表面等。此研究同時能夠啟發更多數據驅動的研究，通過利用人工神經網絡和其他機器學習的方法，實現對傳統科學研究的新探索，在制藥，引物設計，固體結構分析上啟發新突破。

該工作于2019年11月19日在線發表于學術期刊《PHYSICAL REVIEW LETTERS》上，題為“Self-Learning Perfect Optical Chirality via a Deep Neural Network”(DOI: 10.1103/PhysRevLett.123.213902)。北京大學物理學院方哲宇研究員是本文的通訊作者，李瑜，徐優俊，姜美玲為該文的共同第一作者，北京大學定量生物學中心來魯華教授為合作者，北京大學為唯一通訊作者單位。該工作得到得到了科技部、教育部、國家自然科學基金委、北京大學人工微結構和介觀物理國家重點實驗室、北京大學納光電子前沿科學中心、量子物質科學協同創新中心、北京大學高性能校級計算平臺、北京大學生命科學中心高性能計算平臺等單位的支持。

用于近遠場計算的神經網絡結構表征實現了逼近理論極限的高手性，并利用神經網絡對近場分布進行分析