传统光学傅里叶表面设计长期依赖理想化计算机仿真，难以准确预测实际加工瑕疵与斜入射条件下的光学响应。近日，新加坡科技设计大学董兆刚副教授联合厦门大学朱锦峰教授、合肥工业大学魏晨博士等团队，成功开发名为ExpForm的深度学习框架，突破该领域瓶颈。该研究摒弃传统仿真路径，利用高通量光谱系统采集逾2.5万组含真实表面粗糙度与测量噪声的实验数据，直接训练具备前向预测与逆向设计功能的Transformer神经网络。模型可根据输入参数实时预测光谱，或依目标光谱反推最优结构与入射角。实验验证显示，该模型与实测数据吻合度达99.79%，光谱评估速度较传统方法提升约900倍，将设计迭代周期从数天压缩至数秒。该工具可令单一光学表面通过调节入射角实现多重功能，大幅降低物理试错成本。研究团队已公开全部实验数据集。成果发表于期刊《PhotoniX》，标志着微纳光学设计迈入数据驱动与实验印证深度融合的新阶段，其范式可广泛延展至材料科学与量子器件开发。