[分享]超构表面+逆向设计+光子芯片：AI赋能的智能光子学系统开发实战

?D,j!Hy  
]rSg,Q>E  
[table][tr][td=1,2,23.0000%] ao0^;  
案例一机器学习光子学导论[/td][td=2,2,77.0000%] orYZ<,u  
1.1 空间光学系统与集成微纳光子学系统简介 ,)N/2M\B-  
1.2 为什么要在光学系统中引入机器学习方法 hT,rcIkg:  
1.3 人工智能和机器学习方法的基本概念与历史 9KB}?~Nx4  
1.4 机器学习方法在光子学设计中的应用案例简介 ~W={"n?=  
1.5 基于光子学器件搭建的光学神经网络应用简介[/td][/tr][tr][/tr][tr][td=1,1,23.0000%] ;" D~F  
光子器件仿真软件基础与基于优化方法的器件逆向设计[/td][td=2,1,77.0000%] %iME[| u&  
2.1 光子学器件的主要设计目标和调控思路 :P ]D`b6p  
2.2 Ansys optics 光子学仿真软件操作简介与使用技巧 *2}f $8  
案例操作：基于双贝塞尔曲线的紧凑多模光学波导弯曲 cL!A,+S[_  
案例操作：片上米散射结构色超构表面单元仿真 )*R';/zaI  
2.3 时域有限差分算法（FDTD）与空间传播器件模拟方法 >6[d&SM6  
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 y(/5l  
2.4 片上波导器件仿真与片上超构光学器件设计 %"=GQ3u[  
案例操作：片上的超构单元仿真与光学参数提取 , Y,^vzX6  
2.5基于优化算法的光子学逆向设计 ;y{(#X#  
2.5.1  光子学逆向设计的概念与历史 'r(g5H1}gi  
2.5.2  基于粒子群算法的启发式光子学器件优化 :>0,MO.^~K  
案例操作：基于粒子群算法的光分束器设计 Pd& Npp3  
2.5.3 扩展：其他启发式优化方法简介 azNv(|eeJL  
2.5.4 基于梯度方法的光子学器件拓扑优化 %pH|2VB#  
案例操作：基于拓扑优化方法的分束器设计[/td][/tr][tr][td=1,1,23.0000%] a\~118 !  
机器学习简介与 Python机器学习编程基础[/td][td=2,1,77.0000%] u.G aMl4 (  
3.1 机器学习基础概念 *>`6{0,9  
3.2 监督学习与无监督学习 2#00<t\  
3.3 简单常见机器学习算法简介（如线性回归、SVM 等） FA\U4l-
 
3.4  Python 编程基础 $iMLT8U  
Ø  Python语言与特点简介 '/9q7?[E!  
Ø  基本语法与特色数据结构（列表，元组，字典） 2s>BNWTU  
Ø  Numpy 科学计算库的使用 S>p0{:zM  
Ø  数据可视化工具Matplotlib 的使用 uJlW$Oc:.  
案例操作：绘制函数与分形图形 ._t1eb`m{  
3.5  深度学习框架 Pytorch和Tensorflow简介 x%O6/rl  
案例操作：回归算法的实现[/td][/tr][tr][td=1,1,23.0000%] pr1bsrMuL  
常用的深度神经网络简介与 Python 实现[/td][td=2,1,77.0000%] \YFM5l;IU  
4.1 深度学习简介 y<wd~!>Ubu  
4.2 神经网络基础概念与结构 m>F:dI  
4.3 深度学习的基本原理与反向传播算法 @Kn@j D;  
4.4 常用深度网络模型简介 r&Qa;-4Pl  
Ø  全连接网络(FC） fP6.  
Ø  卷积神经网络（CNN） xG(iSuz  
Ø  带历史记忆的网络（如 RNN）
R#.H&#  
4.5 案例操作：基于 Python 的几种神经网络实现 1G67#L)USq  
Ø  全连接网络 :>o0zG[;f  
Ø  卷积神经网络 |lZJt  
Ø  U-Net y"s
s<`Cn  
4.6 案例操作：一个手写数字识别网络模型的搭建与训练[/td][/tr][tr][td=1,1,23.0000%] T$AVMVq  
深度学习在微纳光子学中的应用[/td][td=2,1,77.0000%] xtIF)M  
5.1 微纳光子器件的基本原理与常见结构 k.jBu  
5.2 基于深度学习的光谱预测与逆向设计 R/Z7}QW  
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 *0eV9!y  
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 hSXJDT2  
5.3 基于机器学习的电磁近场预测和逆向设计 k4!_(X%8  
案例分析：大面积超构表面的近场预测与逆向设计 /u_9uJ"-K(  
5.4 基于深度学习的超构单元生成 >qOj^WO~  
案例操作：基于生成-对抗网络的自由超构表面单元生成[/td][/tr][tr][td=1,1,23.0000%] gHkHAOe/  
深度学习在多种光学系统中的应用[/td][td=2,1,77.0000%] ho B[L}<c  
6.1 深度学习在多样化的光学系统中的应用简介 =F Y2O`%a  
6.2 深度学习在计算成像中的应用 NZ0?0*  
案例操作：基于深度学习的非线性光纤单像素超高速成像 x]`@%8Sm  
6.3 深度学习在图像处理中的应用[/td][/tr][tr][td=1,1,23.0000%] D%LYQ  
光子学器件构建的光学深度神经网络与应用[/td][td=2,1,77.0000%] qJf\,7m
i  
7.1 光子学器件构建的光学神经网络与应用 Qca3{|r`  
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 hF5T9^8  
7.3 被动网络：衍射光学神经网络 #U7pT!Fx  
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 C(h Td%  
案例分析：基于衍射神经网络的太赫兹光学处理器（Science） ~)`\j  
7.4 光学神经网络的优势与挑战总结[/td][/tr][tr][td=1,1,23.0000%] 7&OJ8B/  
机器学习与光子 .. ].5q,A]  
*9w-eK1{  

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