Een paper gepubliceerd in Geavanceerde fotonica "Verbeterde interacties tussen licht en materie in diëlektrische nanostructuren via machine learning-benadering, " suggereert dat machine learning-technieken kunnen worden gebruikt om meta-oppervlakken te verbeteren, optimaliseren voor niet-lineaire optica en optomechanica. De ontdekking biedt veelbelovende mogelijkheden voor de ontwikkeling van een breed scala aan fotonische apparaten en toepassingen, waaronder die voor optische waarneming, opto-akoestische trillingen, en smalbandfiltering.

Metasurfaces zijn veelzijdige platforms die worden gebruikt om de verstrooiing te manipuleren, kleur, fase, of lichtintensiteit die kan worden gebruikt voor lichtemissie, detectie, modulatie, controle en/of versterking op nanoschaal. In recente jaren, meta-oppervlakken zijn onderwerp geweest van intensief onderzoek omdat hun optische eigenschappen kunnen worden aangepast aan een diverse reeks toepassingen, inclusief superlenzen, afstembare afbeeldingen, en hologrammen.

Volgens Geavanceerde fotonica Mede-hoofdredacteur, SPIE collega, en hoofd van de Photonics &Nanotechnology Group aan King's College London Anatoly Zayats, dit werk markeert een opwindende vooruitgang in nanofotonica. "Optimalisatie van meta-oppervlakken en metamaterialen voor bepaalde toepassingen is een belangrijk en tijdrovend probleem, " zei Zayats. "Met traditionele benaderingen, slechts enkele parameters kunnen worden geoptimaliseerd, zodat de resulterende prestatie beter is dan voor sommige andere ontwerpen, maar niet noodzakelijk de beste. Met behulp van machinaal leren, men kan zoeken naar het beste ontwerp en de ruimte bestrijken met parameters die niet mogelijk zijn met traditionele benaderingen."