نتیجه گیری و چشم انداز
فن‌آوری‌های هوش مصنوعی در حال فراگیرتر شدن و گسترده‌تر شدن در طیف وسیعی از زمینه‌ها، از کاربردهای تجاری تا تحقیقات علمی پیشرفته هستند. از این نظر، فوتونیک جایگاه برجسته ای را اشغال می کند.
زمینه های تجربی متعددی ممکن است از قابلیت منحصر به فرد الگوریتم های مبتنی بر هوش مصنوعی برای تقریب روابط پیچیده بهره مند شوند. این واقعیت به محققان این امکان را می‌دهد تا با گنجاندن ابزارهای هوش مصنوعی مستقیماً در روال‌های آزمایشی، عملکرد را افزایش داده و پیچیدگی آزمایش‌ها را کاهش دهند. همچنین، مدل‌های ML ابزارهای جدید و قدرتمندی برای تجزیه و تحلیل داده‌ها ارائه می‌کنند که به لطف روش آموزشی، برای مشکل موجود طراحی شده‌اند و در بیشتر موارد منجر به نتایج بی‌سابقه‌ای می‌شوند. در این بررسی، ما مبانی نظری ML و DL را شرح دادیم و کاربرد آنها را در چندین زمینه فوتونیکی تجربی نشان دادیم.
در طیف‌سنجی، مدل‌های DL برای انجام نویز زدایی از ردیابی‌های طیفی، به‌عنوان مثال، برای حذف سیگنال‌های جعلی در اندازه‌گیری‌های منسجم طیف‌سنجی رامان یا برای حذف مدولاسیون فاز متقاطع در دینامیک پمپ-کاوشگر فوق‌سریع، و حذف نویز فضایی و طیفی داده‌های فراطیفی، استفاده شده‌اند. همانطور که در برنامه های تصویربرداری رامان منسجم ایجاد می شود. سایر مدل‌های DL برای شیمی‌سنجی هم در آزمایش‌های طیف‌سنجی و هم تصویربرداری به کار گرفته شده‌اند. از آنجایی که طیف‌سنجی استاندارد طلایی برای تعیین مشخصات مواد و بیومواد است، ادغام ابزارهای هوش مصنوعی برای تجزیه و تحلیل داده‌ها می‌تواند پذیرش تکنیک‌های طیف‌سنجی پیشرفته را در سطح صنعتی برای کاربردهای مختلف، مانند غربالگری دارو و کنترل کیفیت مواد، و نیز بهبود بخشد. برای تشخیص پزشکی و تحقیقات نجومی.
NN ها به ویژه برای کمک به شکل دهی جبهه موج نوری در هنگام برخورد با مسئله معکوس غیرخطی کنترل نور پس از انتشار در یک محیط انتشار موثر هستند. آنها نیاز به اطلاعات گسترده، مانند دامنه پیچیده میدان ها، و سیستم های آزمایشی پیچیده مورد نیاز با رویکردهای تحلیلی استاندارد بر اساس حل معادلات ماکسول را دور می زنند. به عنوان مثال، مدل‌های ML در تصویربرداری محاسباتی برای تقریب ماتریس انتقال از الگوهای لکه‌ای پس از یک پراکنده به تصویر یا رابطه بین الگوی روشنایی نشان‌داده‌شده در یک مدولاتور نور فضایی و توزیع شدت نور متناظر که توسط دوربین خوانده می‌شود، استفاده شده‌اند. در هولوگرافی دیجیتال برای بازیابی اطلاعات فاز از یک هولوگرام اندازه گیری شده واحد. زمانی که نور در MMF منتشر می‌شود، چارچوب مشابهی پیدا می‌شود، جایی که پراکندگی مدال جبهه موج نور منسجم منتشر شده در داخل فیبر را تحریف می‌کند. NN ها راه حل های معتبری را برای بازسازی رابطه غیرخطی بین ورودی و خروجی در MMF ها، انجام تشخیص شی و بازسازی طیفی، بازسازی ورودی با توجه به الگوی لکه ای در خروجی MMF و برای بازیابی اطلاعات در موقعیت های تجربی پر سر و صدا ارائه می دهند. از این نظر، تکنیک‌های شکل‌دهی جبهه موج مبتنی بر ML منبع ارزشمندی برای توموگرافی منسجم، سنجش نوری، و تصویربرداری فاز کمی در کاربردهای بیولوژیکی است که خواص مورفولوژیکی و مکانیکی را در سطح زیر سلولی مشتق می‌کنند.
راه‌حل‌های مبتنی بر NN نه تنها در تجزیه و تحلیل داده‌ها، بلکه در تنظیمات تجربی نیز با موفقیت به کار گرفته شده‌اند. ما استفاده از DL را برای تولید فرکانس‌های نوری جدید در MMF، برای تولید ابرپیوسته نور سفید و همچنین برای تولید و توصیف حالت‌های کوانتومی نور، بلوک‌های سازنده همه آزمایش‌های اطلاعات کوانتومی انجام‌شده با نور، توصیف کردیم. پیشرفت‌های بیشتر این رویکردها ممکن است کیفیت و قابلیت اطمینان راه‌اندازی‌های آزمایشی را به شیوه‌ای غیر ضروری بهبود بخشد. در فوتونیک کوانتومی، راه‌حل‌های جالب ارائه شده توسط ابزارهای هوش مصنوعی شامل دور زدن تخمین مدل‌های نظری برای کاربردهای سنجش و سنجش و مدل‌سازی حالت‌های کوانتومی در محیط‌های پر سر و صدا است، جایی که رویکردهای تحلیلی ممکن است از نظر محاسباتی بسیار سنگین باشند. با توجه به داده‌های کافی که رفتار سیستم را به شکل جفت ورودی-خروجی نشان می‌دهند، الگوریتم‌های ML و NN می‌توانند برای تقریب توصیف ناشناخته استفاده شوند.
در نهایت، محاسبات فوتونیک یک زمینه تحقیقاتی است که در آن دیدگاه مخالف رابطه بین فوتونیک و هوش مصنوعی در نظر گرفته شده است. از این نظر، دستگاه های فوتونیک قادر به ارائه پلت فرم های محاسباتی موثر انرژی هستند. فرصت‌های جدیدی ممکن است از این حوزه تحقیقاتی به‌ویژه با هدف ترکیب کامل الگوریتم‌های هوش مصنوعی در دستگاه‌هایی که قادر به پاسخ‌های آنی و دقیق هستند، پدید آید.