騰訊會(huì)議---六月直播
1.機(jī)器學(xué)習(xí)賦能的智能光子學(xué)器件系統(tǒng)研究與應(yīng)用
2.COMSOL聲學(xué)多物理場(chǎng)仿真技術(shù)與應(yīng)用
3.超表面逆向設(shè)計(jì)及前沿應(yīng)用（從基礎(chǔ)入門(mén)到論文復(fù)現(xiàn)）
4.智能光學(xué)計(jì)算成像技術(shù)與應(yīng)用

在人工智能與光子學(xué)設(shè)計(jì)融合的背景下，科研的邊界持續(xù)擴(kuò)展，創(chuàng)新成果不斷涌現(xiàn)。從理論模型的整合到光學(xué)現(xiàn)象的復(fù)雜模擬，從數(shù)據(jù)驅(qū)動(dòng)的探索到光場(chǎng)的智能分析，機(jī)器學(xué)習(xí)正以前所未有的動(dòng)力推動(dòng)光子學(xué)領(lǐng)域的革新。據(jù)調(diào)查，目前在Nature和Science雜志上發(fā)表的機(jī)器學(xué)習(xí)與光子學(xué)結(jié)合的研究主要集中在以下幾個(gè)方面：

0光子器件的逆向設(shè)計(jì)：

通過(guò)機(jī)器學(xué)習(xí)，特別是深度學(xué)習(xí)，可以高效地進(jìn)行光子器件的逆向設(shè)計(jì)，這在傳統(tǒng)的多參數(shù)優(yōu)化問(wèn)題中尤為重要。

02超構(gòu)表面和超材料設(shè)計(jì)

機(jī)器學(xué)習(xí)被用于設(shè)計(jì)具有特定光學(xué)特性的超構(gòu)表面和超材料，這些材料在光場(chǎng)調(diào)控中發(fā)揮著重要作用。

03光子神經(jīng)網(wǎng)絡(luò)

利用光子器件構(gòu)建的神經(jīng)網(wǎng)絡(luò)可以進(jìn)行快速的矩陣-向量運(yùn)算，加速深度學(xué)習(xí)算法的執(zhí)行。

04非線性光學(xué)與光子芯片

非線性光學(xué)材料和非厄米拓?fù)涔庾訉W(xué)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(jì)算、信號(hào)處理和量子技術(shù)等領(lǐng)域具有廣泛的應(yīng)用前景。

05智能光子系統(tǒng)的多任務(wù)優(yōu)化

通過(guò)深度學(xué)習(xí)與拓?fù)鋬?yōu)化的結(jié)合，可以同時(shí)優(yōu)化多個(gè)光子器件的功能，提高設(shè)計(jì)效率并保證性能。

06光譜分析與預(yù)測(cè)

機(jī)器學(xué)習(xí)模型能夠分析光譜數(shù)據(jù)，預(yù)測(cè)材料特性或器件性能，這對(duì)于材料科學(xué)和光子器件的研發(fā)至關(guān)重要

機(jī)器學(xué)習(xí)光子學(xué)導(dǎo)論

1.1空間光學(xué)系統(tǒng)與集成微納光子學(xué)系統(tǒng)簡(jiǎn)介

1.2為什么要在光學(xué)系統(tǒng)中引入機(jī)器學(xué)習(xí)方法

1.3人工智能和機(jī)器學(xué)習(xí)方法的基本概念與歷史

1.4機(jī)器學(xué)習(xí)方法在光子學(xué)設(shè)計(jì)中的應(yīng)用案例簡(jiǎn)介

1.5基于光子學(xué)器件搭建的光學(xué)神經(jīng)網(wǎng)絡(luò)應(yīng)用簡(jiǎn)介

光子器件仿真軟件基礎(chǔ)與基于優(yōu)化方法的器件逆向設(shè)計(jì)

2.1 光子學(xué)器件的主要設(shè)計(jì)目標(biāo)和調(diào)控思路

2.2 Ansys optics光子學(xué)仿真軟件操作簡(jiǎn)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(xué)波導(dǎo)彎曲

案例操作：片上米散射結(jié)構(gòu)色超構(gòu)表面單元仿真

2.3 時(shí)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(gòu)單元仿真與平面超構(gòu)透鏡設(shè)計(jì)

2.4 片上波導(dǎo)器件仿真與片上超構(gòu)光學(xué)器件設(shè)計(jì)

案例操作：片上的超構(gòu)單元仿真與光學(xué)參數(shù)提取

2.5基于優(yōu)化算法的光子學(xué)逆向設(shè)計(jì)

2.5.1光子學(xué)逆向設(shè)計(jì)的概念與歷史

2.5.2基于粒子群算法的啟發(fā)式光子學(xué)器件優(yōu)化

案例操作：基于粒子群算法的光分束器設(shè)計(jì)

2.5.3擴(kuò)展：其他啟發(fā)式優(yōu)化方法簡(jiǎn)介

2.5.4基于梯度方法的光子學(xué)器件拓?fù)鋬?yōu)化

案例操作：基于拓?fù)鋬?yōu)化方法的分束器設(shè)計(jì)

機(jī)器學(xué)習(xí)簡(jiǎn)介與Python機(jī)器學(xué)習(xí)編程基礎(chǔ)

3.1 機(jī)器學(xué)習(xí)基礎(chǔ)概念

3.2 監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)

3.3簡(jiǎn)單常見(jiàn)機(jī)器學(xué)習(xí)算法簡(jiǎn)介（如線性回歸、SVM等）

3.4 Python編程基礎(chǔ)

?Python語(yǔ)言與特點(diǎn)簡(jiǎn)介

?基本語(yǔ)法與特色數(shù)據(jù)結(jié)構(gòu)（列表，元組，字典）

?Numpy科學(xué)計(jì)算庫(kù)的使用

?數(shù)據(jù)可視化工具M(jìn)atplotlib的使用

案例操作：繪制函數(shù)與分形圖形

3.5深度學(xué)習(xí)框架Pytorch和Tensorflow簡(jiǎn)介

案例操作：回歸算法的實(shí)現(xiàn)

常用的深度神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介與Python實(shí)現(xiàn)

4.1深度學(xué)習(xí)簡(jiǎn)介

4.2 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)概念與結(jié)構(gòu)

4.3 深度學(xué)習(xí)的基本原理與反向傳播算法

4.4常用深度網(wǎng)絡(luò)模型簡(jiǎn)介

?全連接網(wǎng)絡(luò)(FC）

?卷積神經(jīng)網(wǎng)絡(luò)（CNN）

?帶歷史記憶的網(wǎng)絡(luò)（如RNN）

4.5 案例操作：基于Python的幾種神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)

?全連接網(wǎng)絡(luò)

?卷積神經(jīng)網(wǎng)絡(luò)

?U-Net

4.6 案例操作：一個(gè)手寫(xiě)數(shù)字識(shí)別網(wǎng)絡(luò)模型的搭建與訓(xùn)練

深度學(xué)習(xí)在微納光子學(xué)中的應(yīng)用

5.1 微納光子器件的基本原理與常見(jiàn)結(jié)構(gòu)

5.2 基于深度學(xué)習(xí)的光譜預(yù)測(cè)與逆向設(shè)計(jì)

案例分析：一維的和二維的全介質(zhì)和金屬SPR材料的光譜預(yù)測(cè)

案例操作：級(jí)聯(lián)網(wǎng)絡(luò)的超構(gòu)表面單元的光譜預(yù)測(cè)與逆向設(shè)計(jì)

5.3 基于機(jī)器學(xué)習(xí)的電磁近場(chǎng)預(yù)測(cè)和逆向設(shè)計(jì)

案例分析：大面積超構(gòu)表面的近場(chǎng)預(yù)測(cè)與逆向設(shè)計(jì)

5.4 基于深度學(xué)習(xí)的超構(gòu)單元生成

案例操作：基于生成-對(duì)抗網(wǎng)絡(luò)的自由超構(gòu)表面單元生成

深度學(xué)習(xí)在多種光學(xué)系統(tǒng)中的應(yīng)用

6.1 深度學(xué)習(xí)在多樣化的光學(xué)系統(tǒng)中的應(yīng)用簡(jiǎn)介

6.2 深度學(xué)習(xí)在計(jì)算成像中的應(yīng)用

案例操作：基于深度學(xué)習(xí)的非線性光纖單像素超高速成像

6.3 深度學(xué)習(xí)在圖像處理中的應(yīng)用

光子學(xué)器件構(gòu)建的光學(xué)深度神經(jīng)網(wǎng)絡(luò)與應(yīng)用

7.1 光子學(xué)器件構(gòu)建的光學(xué)神經(jīng)網(wǎng)絡(luò)與應(yīng)用

7.2 主動(dòng)網(wǎng)絡(luò)：光學(xué)矩陣-向量乘加運(yùn)算器與光學(xué)神經(jīng)網(wǎng)絡(luò)加速器

7.3 被動(dòng)網(wǎng)絡(luò)：衍射光學(xué)神經(jīng)網(wǎng)絡(luò)

案例操作：基于片上衍射神經(jīng)網(wǎng)絡(luò)的超構(gòu)光學(xué)器件用于圖像分類

案例分析：基于衍射神經(jīng)網(wǎng)絡(luò)的太赫茲光學(xué)處理器（Science）

7.4光學(xué)神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)與挑戰(zhàn)總結(jié)

機(jī)器學(xué)習(xí)與光子學(xué)的更多應(yīng)用介紹與未來(lái)展望

8.1 深度學(xué)習(xí)增強(qiáng)微納光學(xué)芯片制造

案例分析：通過(guò)機(jī)器學(xué)習(xí)優(yōu)化工藝容差與器件性能

8.2 深度學(xué)習(xí)后處理——光學(xué)測(cè)量功能增強(qiáng)

案例分析：基于深度學(xué)習(xí)的高分辨紅外熱波段雷達(dá)

8.3非典型機(jī)器學(xué)習(xí)系統(tǒng)——萬(wàn)物皆可機(jī)器學(xué)習(xí)（Nature）

*主要為最新應(yīng)用進(jìn)展簡(jiǎn)介—根據(jù)課程時(shí)間及進(jìn)度靈活更新

公眾號(hào)：科研實(shí)踐課堂

審核編輯 黃宇