研究人員訓練一臺計算機，希望其能通過觀察照片來預感物體的觸覺。繼而推斷出材料的正常反照率，漫反射率，鏡面反射率和鏡面粗糙度，和不同圖像的像素。未來設計師可以通過AI預測光學材料屬性，更快地迭代他們的設計。

小圖像對大圖像的表面進行數字重建

光學材料的發展

光學材料是用于光學實驗和光學儀器中的具有一定光學性質和功能的材料的統稱。目前，光學材料的種類多達幾十種，其中光學玻璃在成像元件中使用得最多。

由于現代光學工業同電子工業、信息技術、通信技術的緊密結合，光學制造越發得到研究人員的重視。從光學材料、元件、鏡頭組件到整機儀器生產領域，光學制造的上中下游產品呈現出各異的市場現狀，整條產業鏈出現不同的發展趨勢。

如何訓練AI預測光學材料屬性

人類不擅長編程計算機來識別圖像。因此，研究人員必須邀請教授運用AI，從已知這些值的圖像中預測材料特性。

少層銻烯電化學剝離制備及其形貌結構表征

然而這個過程是非常有挑戰性的。它需要一個200000程序生成的空間變化雙向反射分布函數的數據集、40萬次訓練迭代以及需要一周左右的GPU處理時間。

AI使用輸入照片（左圖）來恢復描述反照率和鏡面粗糙度（中間圖像）的SVBRDF貼圖。然后使用這些貼圖重新渲染圖像（右圖像）

計算機可以學習如何識別圖像上的每個視覺指數，例如材料產生的陰影和反射。完成這個目標的關鍵因素是對圖像的模擬，我們為了訓練機器學習準備了大量的圖片。

如果未來AI可以協助人們快速確定材料屬性，那么工程師們就可以專心于他們的設計，而不是尋找確定其光學數據的方法。

一般來說，收集這些光學數據可以一次性識別一小塊材料。而通過這種新工具可以在像素級別上評估這些屬性，因此工程師現在可以立即評估大型表面。

在評估大型表面時，這種數據采集方法有很大的優勢，工程師們可以通過這種方式了解更廣泛的表面，進而可以快速輕松地捕捉大圖案。

快速獲取光學材料數據的必要性

這種方法可以幫助工程師們節省成本，減少在購買實驗室測量數據上的支出。但是實驗測量還是非常有必要的，因為材料對不同的光環境會有不同的反應。為了確保準確的結果和高質量，最好的選擇是在不同的光照條件和不同的方法下進行多次測量。

而這種類型的工具最好在設計的早期開發過程中為工程師服務。因為這個階段不需要準確的光學數據來選擇最終的材料。但工程師可以通過這個方式，選擇更合適的候選材料，進入實驗室進行嚴格的測試。