騰訊會議---六月直播
1.機器學(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)多物理場仿真技術(shù)與應(yīng)用
3.超表面逆向設(shè)計及前沿應(yīng)用（從基礎(chǔ)入門到論文復(fù)現(xiàn)）
4.智能光學(xué)計算成像技術(shù)與應(yīng)用

在人工智能與光子學(xué)設(shè)計融合的背景下，科研的邊界持續(xù)擴展，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)動的探索到光場的智能分析，機器學(xué)習(xí)正以前所未有的動力推動光子學(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方面：

0光子器件的逆向設(shè)計：

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

02超構(gòu)表面和超材料設(shè)計

機器學(xué)習(xí)被用于設(shè)計具有特定光學(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)可以進行快速的矩陣-向量運算，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)材料和非厄米拓撲光子學(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算、信號處理和量子技術(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

通過深度學(xué)習(xí)與拓撲優(yōu)化的結(jié)合，可以同時優(yōu)化多個光子器件的功能，提高設(shè)計效率并保證性能。

06光譜分析與預(yù)測

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

機器學(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)簡介

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

1.3人工智能和機器學(xué)習(xí)方法的基本概念與歷史

1.4機器學(xué)習(xí)方法在光子學(xué)設(shè)計中的應(yīng)用案例簡介

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

2.1 光子學(xué)器件的主要設(shè)計目標和調(diào)控思路

2.2 Ansys optics光子學(xué)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(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

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

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

2.5.1光子學(xué)逆向設(shè)計的概念與歷史

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

2.5.3擴展：其他啟發(fā)式優(yōu)化方法簡介

2.5.4基于梯度方法的光子學(xué)器件拓撲優(yōu)化

案例操作：基于拓撲優(yōu)化方法的分束器設(shè)計

機器學(xué)習(xí)簡介與Python機器學(xué)習(xí)編程基礎(chǔ)

3.1 機器學(xué)習(xí)基礎(chǔ)概念

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

3.3簡單常見機器學(xué)習(xí)算法簡介（如線性回歸、SVM等）

3.4 Python編程基礎(chǔ)

?Python語言與特點簡介

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

?Numpy科學(xué)計算庫的使用

?數(shù)據(jù)可視化工具Matplotlib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簡介

案例操作：回歸算法的實現(xiàn)

常用的深度神經(jīng)網(wǎng)絡(luò)簡介與Python實現(xiàn)

4.1深度學(xué)習(xí)簡介

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：一個手寫數(shù)字識別網(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結(jié)構(gòu)

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

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

案例操作：級聯(lián)網(wǎng)絡(luò)的超構(gòu)表面單元的光譜預(yù)測與逆向設(shè)計

5.3 基于機器學(xué)習(xí)的電磁近場預(yù)測和逆向設(shè)計

案例分析：大面積超構(gòu)表面的近場預(yù)測與逆向設(shè)計

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)用簡介

6.2 深度學(xué)習(xí)在計算成像中的應(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 主動網(wǎng)絡(luò)：光學(xué)矩陣-向量乘加運算器與光學(xué)神經(jīng)網(wǎng)絡(luò)加速器

7.3 被動網(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)勢與挑戰(zhàn)總結(jié)

機器學(xué)習(xí)與光子學(xué)的更多應(yīng)用介紹與未來展望

8.1 深度學(xué)習(xí)增強微納光學(xué)芯片制造

案例分析：通過機器學(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)測量功能增強

案例分析：基于深度學(xué)習(xí)的高分辨紅外熱波段雷達

8.3非典型機器學(xué)習(xí)系統(tǒng)——萬物皆可機器學(xué)習(xí)（Nature）

*主要為最新應(yīng)用進展簡介—根據(jù)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