深度学习技术在科学计算领域和图像处理的应用,是目前机器学习研究与应用的热点之一。机器学习的有效应用涉及数据、算法、算力三个方面内容。目前研究与应用主要着眼于算法,但是对许多重要的应用领域,主要制约机器学习应用效果的是数据。特别对应数据量少,数据特征不足的应用领域,数据质量和规模无法与算法要求匹配。针对数据质量差和数据规模小的导致深度学习模型训练效果差或无法训练的问题,目前常用的数据增强方法有数据变换增强,生成模型等。本文的工作提出采用数值模拟和物理实验仿真的方法进行小子样数据增强。我们分析了小样本数据的特征和生成条件,通过设计保持小子样数据实际特征的理论和数据生成实验方法产生高通量数据,提高数据质量和规模。生成新的数据集作为实际数据的相似数据,即模拟数据。针对科学研究中的数值计算数据,以目前量子物理和未来电子学前沿交叉领域量子压电电子学器件为例,结合其数据规模与数据特征的规律性,使用量子器件数值计算数据作为模拟数据。探索了深度学习技术应用在量子器件数据计算中的应用。量子压电电子学目前研究的前沿是拓扑材料,量子压电材料可以通过材料自发极化引起压电电场而几乎无晶格失配来诱导改变材料的拓扑绝缘态,本文主要研究的体系是Hg Te/Cd Te量子压电材料构成的拓扑绝缘体。通过数值模拟计算软件KWANT计算的量子压电电子学数据,例如电子密度分布和电导,对深度学习网络进行训练。通过训练后的网络可以对未知的数据进行预测,KWANT计算数据与深度学习网络预测数据R-square为0.999。针对实际应用产生的数据,例如数据规模小和数据质量差的小子样数字文本字符识别项目的研究中,通过分析数据生成的物理场景,对小子样数据特征进行模拟,并设计高通量数据生成实验生成模拟数据。使用模拟数据训练网络,使深度学习网络训练时强化主要特征,同时滤除噪声,可以实现重要领域的快速部署应用。在实际工程应用中对真实数据的识别准确率超过99%。