[分享]光子器件仿真软件基础与基于优化方法的器件逆向设计

机器学习光子学导论    1.1空间光学系统与集成微纳光子学系统简介--关注：科研实践课堂（公众号） ;L[9[uQ[C  
1.2为什么要在光学系统中引入机器学习方法 I45A$nV#Q  
1.3 人工智能和机器学习方法的基本概念与历史 {)[i\=,`{  
1.4 机器学习方法在光子学设计中的应用案例简介 r:q#l~;^  
1.5 基于光子学器件搭建的光学神经网络应用简介 J.&q[  
光子器件仿真软件基础与基于优化方法的器件逆向设计     x B?:G  
2.1 光子学器件的主要设计目标和调控思路 1D`RR/g&  
2.2 Ansys optics 光子学仿真软件操作简介与使用技巧 </%H'V@  
案例操作：基于双贝塞尔曲线的紧凑多模光学波导弯曲 {, |"Rpd  
案例操作：片上米散射结构色超构表面单元仿真 79V5{2Y*U  
2.3 时域有限差分算法（FDTD）与空间传播器件模拟方法 d#*5U9\z  
案例操作：传播相位与几何相位超构单元仿真与平面超构透镜设计 KZE.}8^%D  
2.4 片上波导器件仿真与片上超构光学器件设计 U\[V !1O  
案例操作：片上的超构单元仿真与光学参数提取 UVLcR  
2.5基于优化算法的光子学逆向设计 miKi$jC}vq  
2.5.1光子学逆向设计的概念与历史 !G,$:t1-=V  
2.5.2基于粒子群算法的启发式光子学器件优化 .~8+s.y  
案例操作：基于粒子群算法的光分束器设计 (HF,p,h_  
2.5.3 扩展：其他启发式优化方法简介 z>{KeX:  
2.5.4 基于梯度方法的光子学器件拓扑优化 "tark'  
案例操作：基于拓扑优化方法的分束器设计 c,qCZ-.Sg  
机器学习简介与 Python机器学习编程基础     NWg\{a  
3.1 机器学习基础概念 C0W~Tk\C2  
3.2 监督学习与无监督学习 H>]z=w~  
3.3 简单常见机器学习算法简介（如线性回归、SVM 等） $7r wara  
3.4 Python 编程基础 ]UI+6}r  
Python语言与特点简介 [vi4,'wm  
基本语法与特色数据结构（列表，元组，字典） |:?.-tq  
Numpy 科学计算库的使用 c>R(Fs|6  
数据可视化工具Matplotlib 的使用 b[k 1)R"  
案例操作：绘制函数与分形图形 %8tN$8P  
3.5深度学习框架 Pytorch和Tensorflow简介 pxbNeqK@p  
案例操作：回归算法的实现 ~Qsj)9
 
常用的深度神经网络简介与 Python 实现     g-^m\>B  
4.1 深度学习简介 @}Ixr{t  
4.2 神经网络基础概念与结构 I Q L~I13  
4.3 深度学习的基本原理与反向传播算法 Id*^H:]C#  
4.4 常用深度网络模型简介 Rf^cw}jU  
全连接网络(FC） </Id';|v  
卷积神经网络（CNN） v;Dcq  
带历史记忆的网络（如 RNN） :2My|3H\  
4.5 案例操作：基于 Python 的几种神经网络实现 Psa8OJan  
全连接网络 c-T ^ aR  
卷积神经网络 \,EPsQV0?  
U-Net [w/t  
4.6 案例操作：一个手写数字识别网络模型的搭建与训练 u s0'7|{q  
深度学习在微纳光子学中的应用 7`/qL "  
5.1 微纳光子器件的基本原理与常见结构 V[M#
qZS  
5.2 基于深度学习的光谱预测与逆向设计   ^zJ.W  
案例分析：一维的和二维的全介质和金属SPR 材料的光谱预测 ##_Za6/n  
案例操作：级联网络的超构表面单元的光谱预测与逆向设计 a7|&Tbv  
5.3 基于机器学习的电磁近场预测和逆向设计 ;40m goN  
    案例分析：大面积超构表面的近场预测与逆向设计                                               i6CY
D  
5.4 基于深度学习的超构单元生成 *\WI!%  
案例操作：基于生成-对抗网络的自由超构表面单元生成 >FHsZKJ  
_pGviGR  
深度学习在多种光学系统中的应用     c #!6  
6.1 深度学习在多样化的光学系统中的应用简介 wUeOD.;#F  
6.2 深度学习在计算成像中的应用 :U q]~e  
案例操作：基于深度学习的非线性光纤单像素超高速成像 2P ?Iu&  
6.3 深度学习在图像处理中的应用 ?>8zU;Aj  
w'0M>2  
光子学器件构建的光学深度神经网络与应用     DRoxw24  
7.1 光子学器件构建的光学神经网络与应用 0q>lW &J  
7.2 主动网络：光学矩阵-向量乘加运算器与光学神经网络加速器 ;5k|gW  
7.3 被动网络：衍射光学神经网络 O-5U|wA  
案例操作：基于片上衍射神经网络的超构光学器件用于图像分类 {?y7'  
案例分析：基于衍射神经网络的太赫兹光学处理器（Science） xW9 s[X  
7.4 光学神经网络的优势与挑战总结 orHD3T%&  
机器学习与光子学的更多应用介 .. 5r<(
Z0  
j*u9+.   

未注册仅能浏览部分内容，查看全部内容及附件请先 登录 或 注册

六啊六，六啊六，六啊六啊六啊六