Меню
Публикации
2026
2025
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2026-26-1-35-41
УДК 535.317, 004.942, 004.89, 535.012
Сравнительный анализ современных подходов к автоматизации проектирования оптических систем
Читать статью полностью
Язык статьи - русский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Чертов А.Н., Хохлов Д.Д. Сравнительный анализ современных подходов к автоматизации проектирования оптических систем // Научно-технический вестник информационных технологий, механики и оптики. 2026. Т. 26, № 1. С. 35–41. doi: 10.17586/2226-1494-2026-26-1-35-41
Аннотация
Введение. Автоматизация проектирования оптических систем является одним из ключевых направлений современной оптической инженерии. Сочетание физически обоснованных симуляторов, методов численной оптимизации и алгоритмов машинного обучения позволяет создавать компактные, энергоэффективные и технологичные оптические системы. Однако многомерность пространства параметров, высокие вычислительные затраты и отсутствие унифицированных критериев верификации требуют анализа применимости различных методов. Метод. Представлена систематизация существующих подходов к автоматизации проектирования оптических систем, анализ их ключевых характеристик и оценка перспектив дальнейшего развития. Рассмотрены пять ключевых классов методов: дифференцируемые физические модели, алгоритмы глубокого обучения, эволюционные и метаэвристические оптимизаторы, гибридные схемы, сочетающие методы машинного обучения и физическое моделирование, а также методы обучения в полностью прямом (оптическом) режиме. Рассмотрены вопросы создания унифицированной базы сравнения, позволяющей объективно оценивать скорость, точность, достоверность, робастность, обобщаемость, вычислительную сложность и энергетическую эффективность различных алгоритмов. Предложена классификация методов автоматизированного проектирования оптических систем. Выполнен анализ физических моделей, архитектур нейронных сетей и алгоритмов оптимизации. Приведены сравнительный анализ характеристик по унифицированному набору метрик; качественная и количественная оценки параметров на основе данных известных научных работ за 2019–2025 гг. Основные результаты. Показано, что дифференцируемые физические методы обеспечивают наивысшую физическую достоверность и точность. Методы глубокого обучения позволяют достичь максимальной скорости генерации решений. Эволюционные алгоритмы обеспечивают устойчивость к локальным минимумам. Гибридные подходы создают оптимальный баланс между скоростью и физической корректностью. Методы обучения в полностью прямом режиме и оптические нейронные сети позволяют достичь высокой энергоэффективности и потенциально пригодны для аппаратного ускорения процесса проектирования. Обсуждение. Результаты исследования могут служить основой выбора стратегии проектирования оптических систем в задачах различной сложности — от предварительного поиска конфигураций до высокоточной оптимизации. Прогресс методов автоматизации проектирования оптических систем связан с дальнейшей стандартизацией наборов данных, интеграцией гибридных подходов и развитием оптических нейронных сетей.
Ключевые слова: автоматизация проектирования, оптические системы, дифференцируемая трассировка, машинное обучение, глубокие нейронные сети, эволюционные методы, оптические нейронные сети, энергоэффективность
Благодарности. Работа выполнена при поддержке Министерства науки и высшего образования Российской Федерации в рамках исследовательской тематики молодежной лаборатории «Оптические зондовые приборы и методы технической и биомедицинской диагностики» (FFNS-2024-0002).
Список литературы
Благодарности. Работа выполнена при поддержке Министерства науки и высшего образования Российской Федерации в рамках исследовательской тематики молодежной лаборатории «Оптические зондовые приборы и методы технической и биомедицинской диагностики» (FFNS-2024-0002).
Список литературы
1. Wu C.-M., Tang X.-X., Xia Y.-Y., Yang H.-X., Xu F.-J. High precision ray tracing method for space camera in optical design // Acta Physica Sinica. 2023. V. 72.N 8. P. 084201.https://doi.org/10.7498/aps.72.20222463https://doi.org/10.7498/aps.72.20222463
2. Liu X.B., Zhang X.X., Fu T.J., Wang K.Z., Sun F.K., Bai T.Z., Wang D.Global information selectively guided gradient descent for ab initio optical design// Optics and Laser Technology. 2025. V. 184. P. 112497. https://doi.org/10.1016/j.optlastec.2025.112497
3. Zhang W., Ren Z., Zhou J., Chen S., Feng H., Li Q., Xu Z., Chen Y. End-to-end automatic lens design with a differentiable diffraction model // Optics Express. 2024. V. 32.N 25. P. 44328–44345. https://doi.org/10.1364/oe.540590
4. Иванова Т.В., Романова Г.Э., Жукова Т.И., Калинкина О.С. Автоматизация синтеза атермализованного склеенного компонента // Научно-технический вестник информационных технологий, механики и оптики. 2019. Т. 19. № 4. С. 594–601. https://doi.org/10.17586/2226-1494-2019-19-4-594-601
5. Нгуен З.Х., Бахолдин А.В. Автоматизация синтеза и ранжирование склеенного и расклеенного двухлинзовых объективов // Компьютерная оптика. 2022. Т. 46.№ 1. С. 83–90. https://doi.org/10.18287/2412-6179-CO-923
6. Носов П.А., Павлов В.Ю., Пахомов И.И., Ширанков А.Ф. Аберрационный синтез оптических систем, предназначенных для преобразования лазерных пучков // Оптический журнал. 2011. Т. 78.№ 9. С. 34–44.
7. Лившиц И.Л., Точилина Т.В., Фаенле O., Волкова С.Л. Стратегия проектирования и управление процессом коррекции аберраций объектива с высоким индексом сложности // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 21.№ 1. С. 40–51. https://doi.org/10.17586/2226‑1494‑2021‑21‑1‑40‑51
8. Côté G., Lalonde J.-F., Thibault S. Deep learning-enabled framework for automatic lens design starting point generation // Optics Express. 2021. V. 29.N 3. P. 3841–3854. https://doi.org/10.1364/oe.401590
9. Luo M., Lee S.-S. Inverse design of optical lenses enabled by generative flow-based invertible neural networks // Scientific Reports. 2023. V. 13.N 1. P. 16416. https://doi.org/10.1038/s41598-023-43698-3
10. Fu T., Zhang J., Sun R., Huang Y., Xu W., Yang S., Zhu Z., Chen H. Optical neural networks: progress and challenges // Light Science and Applications. 2024. V. 13. N 1. P. 263. https://doi.org/10.1038/s41377-024-01590-3
11. Höschel K., Lakshminarayanan V. Genetic algorithms for lens design: a review // Journal of Optics. 2019. V. 48. N 1. P. 134–144. https://doi.org/10.1007/s12596-018-0497-3
12. Yang X., Fu Q., Heidrich W. Curriculum learning for ab initio deep learned refractive optics // Nature Communications. 2024. V. 15. N 1. P. 6572. https://doi.org/10.1038/s41467-024-50835-7
13. Zhao J., Liang K., Van Vleck A., Du L., Winetraub Y., Peng Y.F., de la Zerda A. Extending depth-of-field of arbitrary diffractive optics with needle-shaped beam modulation // ACS Photonics. 2024. V. 11.N 9. P. 3481–3490. https://doi.org/10.1021/acsphotonics.4c00260
14. Yow A.P., Wong D., Zhang Y., Menke C., Wolleschensky R., Török P. Artificial intelligence in optical lens design // Artificial Intelligence Review. 2024. V. 57.N 8. P. 193. https://doi.org/10.1007/s10462-024-10842-y
15. Нестеров Г.В., Хохлов Д.Д., Батшев В.И. Автоматизация проектирования двухлинзового склеенного объектива с использованием методов машинного обучения // Физические основы приборостроения. 2024. Т. 13.№ 4 (54). С. 57–63. https://doi.org/10.25210/jfop-2404-INGPBM
16. Volatier J.-B., Beaussier S.J., Druart G., Jougla P., Keller F. Implementation of FORMIDABLE: a generalized differential optical design library with NURBS capabilities // Journal of the European Optical Society-Rapid Publications. 2024. V. 20. N 1. P. 2. https://doi.org/10.1051/jeos/2023043
17. Xue Z., Zhou T., Xu Z., Yu S., Dai Q., Fang L. Fully forward mode training for optical neural networks // Nature. 2024. V. 632. N 8024. P. 280–286. https://doi.org/10.1038/s41586-024-07687-4
18. Wang Z., Peng Y., Fang L., Gao L. Computational optical imaging: on the convergence of physical and digital layers // Optica. 2025. V. 12. N 1. P. 113–130. https://doi.org/10.1364/OPTICA.544943
