騰訊會議---六月直播
1.機器學習賦能的智能光子學器件系統研究與應用
2.COMSOL聲學多物理場仿真技術與應用
3.超表面逆向設計及前沿應用（從基礎入門到論文復現）
4.智能光學計算成像技術與應用

在人工智能與光子學設計融合的背景下，科研的邊界持續擴展，創新成果不斷涌現。從理論模型的整合到光學現象的復雜模擬，從數據驅動的探索到光場的智能分析，機器學習正以前所未有的動力推動光子學領域的革新。據調查，目前在Nature和Science雜志上發表的機器學習與光子學結合的研究主要集中在以下幾個方面：

0光子器件的逆向設計：

通過機器學習，特別是深度學習，可以高效地進行光子器件的逆向設計，這在傳統的多參數優化問題中尤為重要。

02超構表面和超材料設計

機器學習被用于設計具有特定光學特性的超構表面和超材料，這些材料在光場調控中發揮著重要作用。

03光子神經網絡

利用光子器件構建的神經網絡可以進行快速的矩陣-向量運算，加速深度學習算法的執行。

04非線性光學與光子芯片

非線性光學材料和非厄米拓撲光子學為高性能片上處理方案提供了新的可能性，智能光子芯片在全光計算、信號處理和量子技術等領域具有廣泛的應用前景。

05智能光子系統的多任務優化

通過深度學習與拓撲優化的結合，可以同時優化多個光子器件的功能，提高設計效率并保證性能。

06光譜分析與預測

機器學習模型能夠分析光譜數據，預測材料特性或器件性能，這對于材料科學和光子器件的研發至關重要

機器學習光子學導論

1.1空間光學系統與集成微納光子學系統簡介

1.2為什么要在光學系統中引入機器學習方法

1.3人工智能和機器學習方法的基本概念與歷史

1.4機器學習方法在光子學設計中的應用案例簡介

1.5基于光子學器件搭建的光學神經網絡應用簡介

光子器件仿真軟件基礎與基于優化方法的器件逆向設計

2.1 光子學器件的主要設計目標和調控思路

2.2 Ansys optics光子學仿真軟件操作簡介與使用技巧

案例操作：基于雙貝塞爾曲線的緊湊多模光學波導彎曲

案例操作：片上米散射結構色超構表面單元仿真

2.3 時域有限差分算法（FDTD）與空間傳播器件模擬方法

案例操作：傳播相位與幾何相位超構單元仿真與平面超構透鏡設計

2.4 片上波導器件仿真與片上超構光學器件設計

案例操作：片上的超構單元仿真與光學參數提取

2.5基于優化算法的光子學逆向設計

2.5.1光子學逆向設計的概念與歷史

2.5.2基于粒子群算法的啟發式光子學器件優化

案例操作：基于粒子群算法的光分束器設計

2.5.3擴展：其他啟發式優化方法簡介

2.5.4基于梯度方法的光子學器件拓撲優化

案例操作：基于拓撲優化方法的分束器設計

機器學習簡介與Python機器學習編程基礎

3.1 機器學習基礎概念

3.2 監督學習與無監督學習

3.3簡單常見機器學習算法簡介（如線性回歸、SVM等）

3.4 Python編程基礎

?Python語言與特點簡介

?基本語法與特色數據結構（列表，元組，字典）

?Numpy科學計算庫的使用

?數據可視化工具Matplotlib的使用

案例操作：繪制函數與分形圖形

3.5深度學習框架Pytorch和Tensorflow簡介

案例操作：回歸算法的實現

常用的深度神經網絡簡介與Python實現

4.1深度學習簡介

4.2 神經網絡基礎概念與結構

4.3 深度學習的基本原理與反向傳播算法

4.4常用深度網絡模型簡介

?全連接網絡(FC）

?卷積神經網絡（CNN）

?帶歷史記憶的網絡（如RNN）

4.5 案例操作：基于Python的幾種神經網絡實現

?全連接網絡

?卷積神經網絡

?U-Net

4.6 案例操作：一個手寫數字識別網絡模型的搭建與訓練

深度學習在微納光子學中的應用

5.1 微納光子器件的基本原理與常見結構

5.2 基于深度學習的光譜預測與逆向設計

案例分析：一維的和二維的全介質和金屬SPR材料的光譜預測

案例操作：級聯網絡的超構表面單元的光譜預測與逆向設計

5.3 基于機器學習的電磁近場預測和逆向設計

案例分析：大面積超構表面的近場預測與逆向設計

5.4 基于深度學習的超構單元生成

案例操作：基于生成-對抗網絡的自由超構表面單元生成

深度學習在多種光學系統中的應用

6.1 深度學習在多樣化的光學系統中的應用簡介

6.2 深度學習在計算成像中的應用

案例操作：基于深度學習的非線性光纖單像素超高速成像

6.3 深度學習在圖像處理中的應用

光子學器件構建的光學深度神經網絡與應用

7.1 光子學器件構建的光學神經網絡與應用

7.2 主動網絡：光學矩陣-向量乘加運算器與光學神經網絡加速器

7.3 被動網絡：衍射光學神經網絡

案例操作：基于片上衍射神經網絡的超構光學器件用于圖像分類

案例分析：基于衍射神經網絡的太赫茲光學處理器（Science）

7.4光學神經網絡的優勢與挑戰總結

機器學習與光子學的更多應用介紹與未來展望

8.1 深度學習增強微納光學芯片制造

案例分析：通過機器學習優化工藝容差與器件性能

8.2 深度學習后處理——光學測量功能增強

案例分析：基于深度學習的高分辨紅外熱波段雷達

8.3非典型機器學習系統——萬物皆可機器學習（Nature）

*主要為最新應用進展簡介—根據課程時間及進度靈活更新

公眾號：科研實踐課堂

審核編輯 黃宇