[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

bn0Rv  
t-$Hti7Lk  
[table][tr][td=1,2,23.0000%] E#mp
j~{-  
案例一机器学习光子学导论[/td][td=2,2,77.0000%] dZ'H'm;,!  
1.1 空间光学系统与集成微纳光子学系统简介 qM:*!Aq0g  
1.2 为什么要在光学系统中引入机器学习方法 !jyy`q=  
1.3 人工智能和机器学习方法的基本概念与历史 84M*)cKR~  
1.4 机器学习方法在光子学设计中的应用案例简介 *Au[{sR  
1.5 基于光子学器件搭建的光学神经网络应用简介[/td][/tr][tr][/tr][tr][td=1,1,23.0000%] s,;L6nX"  
光子器件仿真软件基础与基于优化方法的器件逆向设计[/td][td=2,1,77.0000%] )VFS&|#\  
2.1 光子学器件的主要设计目标和调控思路 P(Q}r7F~(  
2.2 Ansys optics 光子学仿真软件操作简介与使用技巧 \xexl1_;  
案例操作：基于双贝塞尔曲线的紧凑多模光学波导弯曲 ]ag^~8bG @  
案例操作：片上米散射结构色超构表面单元仿真 d/xGo[?$  
2.3 时域有限差分算法（FDTD）与空间传播器件模拟方法 hwd{^  
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 zr[|~-  
2.4 片上波导器件仿真与片上超构光学器件设计 |bv7N@?e  
案例操作：片上的超构单元仿真与光学参数提取 \-R\xL  
2.5基于优化算法的光子学逆向设计 BMovl4*5  
2.5.1  光子学逆向设计的概念与历史 V?o%0
V  
2.5.2  基于粒子群算法的启发式光子学器件优化 _gI1@uQw  
案例操作：基于粒子群算法的光分束器设计 Tlz~o[`&  
2.5.3 扩展：其他启发式优化方法简介
#]FJx  
2.5.4 基于梯度方法的光子学器件拓扑优化 2U`g[1  
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%] ~X%W2N2  
机器学习简介与 Python机器学习编程基础[/td][td=2,1,77.0000%] 1agI/R  
3.1 机器学习基础概念 zc%HBZ3p  
3.2 监督学习与无监督学习 oq9gG)F  
3.3 简单常见机器学习算法简介（如线性回归、SVM 等） BZAF;j  
3.4  Python 编程基础 {xJ<)^fD8  
Ø  Python语言与特点简介 u4.2u}A/R%  
Ø  基本语法与特色数据结构（列表，元组，字典） #EX NSr  
Ø  Numpy 科学计算库的使用 u1_NC;  
Ø  数据可视化工具Matplotlib 的使用 q OX=M  
案例操作：绘制函数与分形图形 { ^ @c96&  
3.5  深度学习框架 Pytorch和Tensorflow简介 7xjihl3  
案例操作：回归算法的实现[/td][/tr][tr][td=1,1,23.0000%] @w@ `-1  
常用的深度神经网络简介与 Python 实现[/td][td=2,1,77.0000%] 1pp
U ?#  
4.1 深度学习简介 ]m"6a-,`  
4.2 神经网络基础概念与结构 ThJ`-Ro  
4.3 深度学习的基本原理与反向传播算法 5{O9<~,  
4.4 常用深度网络模型简介 T,fDH!a  
Ø  全连接网络(FC） .V?>Jhok  
Ø  卷积神经网络（CNN） geEETb}+y  
Ø  带历史记忆的网络（如 RNN） 4+4C0/$Y  
4.5 案例操作：基于 Python 的几种神经网络实现 "c0Nv8_G  
Ø  全连接网络 pJPP6Be<  
Ø  卷积神经网络 jK-usn  
Ø  U-Net x$/:%"E  
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%] I vD M2q8f  
深度学习在微纳光子学中的应用[/td][td=2,1,77.0000%] \:`-"Ou(*  
5.1 微纳光子器件的基本原理与常见结构 C+X-Cp  
5.2 基于深度学习的光谱预测与逆向设计 V.Qy4u7m  
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 &(,-:"{pNR  
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 d}(b!q9  
5.3 基于机器学习的电磁近场预测和逆向设计 I<LIw8LI  
案例分析：大面积超构表面的近场预测与逆向设计 Q[UYNQ0w  
5.4 基于深度学习的超构单元生成 /^9yncG;>  
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%] ^DOQ+  
深度学习在多种光学系统中的应用[/td][td=2,1,77.0000%] &U0Y#11Cx  
6.1 深度学习在多样化的光学系统中的应用简介 o&U/e\zy  
6.2 深度学习在计算成像中的应用 H"J>wIuGX  
案例操作：基于深度学习的非线性光纤单像素超高速成像 BF+i82$zo  
6.3 深度学习在图像处理中的应用[/td][/tr][tr][td=1,1,23.0000%] -%6Y&_5VK  
光子学器件构建的光学深度神经网络与应用[/td][td=2,1,77.0000%] ,NoWAmv  
7.1 光子学器件构建的光学神经网络与应用 6SN$El 0|G  
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 !DNk!]|  
7.3 被动网络：衍射光学神经网络 W`` 
-/  
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 Qvhz$W[P>  
案例分析：基于衍射神经网络的太赫兹光学处理器（Science） \s">trXwX  
7.4 光学神经网络的优势与挑战总结[/td][/tr][tr][td=1,1,23.0000%] %][6TZ}  
机器学习与光子 .. P~7p~ke  
B*T;DE   

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