深度學習光學設(shè)計專題

深度學習在光學設(shè)計領(lǐng)域的應用為光子學結(jié)構(gòu)的創(chuàng)新提供了新的機遇和挑戰(zhàn)。未來，隨著深度學習技術(shù)的不斷發(fā)展和完善，相信它將在光學設(shè)計領(lǐng)域發(fā)揮更加重要的作用。

深度學習光學設(shè)計講師介紹

主講老師團隊來自全國重點大學、國家“985工程”物理與信息交叉學科專業(yè)，有多年的機器學習和課題組科研經(jīng)歷！研究方向涉及光學設(shè)計與物理學，深度學習，機器學習等交叉領(lǐng)域。有著豐富知識積累和實戰(zhàn)經(jīng)驗。參與國自然科學基金項目多項等，包括發(fā)表SCI論文十余篇，國家發(fā)明專利一項！擔任過MDPI旗下等多個期刊的審稿人。

深度學習計算光學成像講師介紹

主講老師來自國外光學成像頂尖高校，擅長計算機視覺與深度學習成像研究。近年來發(fā)表SCI論文15篇，授權(quán)三項發(fā)明專利。研究方向包括：圖像處理與計算機視覺、深度學習方法、物理驅(qū)動的光學成像、跨模態(tài)成像研究等。

深度學習光學設(shè)計目標

1.基于深度學習的光網(wǎng)絡(luò)的培養(yǎng)目標主要集中在培養(yǎng)具備現(xiàn)代光學理論基礎(chǔ)和深度學習技術(shù)知識的高級專業(yè)人才。他們不僅需要熟悉現(xiàn)代光學的原理，還需要掌握深度學習算法的原理和應用，能夠結(jié)合深度學習和現(xiàn)代光學原理設(shè)計出具有光學加速功能的器件。

2. 初步掌握構(gòu)建深度學習模型所需的使用的工具，學會搭建深度學習開發(fā)環(huán)境。讓初學者能夠使用深度學習框架搭建常用神經(jīng)網(wǎng)絡(luò)模型，了解模型訓練過程中出現(xiàn)的問題并掌握常用的解決辦法。 

3. 熟悉超材料的發(fā)展現(xiàn)狀，基本掌握多物理場仿真軟件，并能夠使用該軟件計算光子晶體 的能帶并對仿真結(jié)果做后處理。了解超表面在光學以及量子領(lǐng)域方面的應用，學會使用仿真軟件對超表面結(jié)構(gòu)進行仿真以及后續(xù)的結(jié)果分析。

4. 知道MATLAB與COMSOL以及Python間的交互方式，學會使用 Python處理COMSOL導出的數(shù)據(jù)，了解如何使用 MATLAB 將 COMSOL 的數(shù)據(jù)導出并處理為 Python 能讀取的數(shù)據(jù)。 

5. 了解硅基光網(wǎng)絡(luò)的發(fā)展現(xiàn)狀，知道矩陣分解的原理，學會使用深度學習框架去搭建一個基于MZI的模型框架并將其應用在深度學習實例上。 

6. 未來利用光的加速功能，基于片上的光網(wǎng)絡(luò)可以設(shè)計出具有加速功能的光芯片。基于衍射網(wǎng)絡(luò)，則可以在自由空間上設(shè)計出快速成像系統(tǒng)，加速自動駕駛的圖像識別。 

7. 利用深度學習模型，可以克服傳統(tǒng)基于全波模擬的設(shè)計方法的劣勢，可以快速給出給定 結(jié)構(gòu)的目標響應，加速光學設(shè)計的過程。 

深度學習計算光學成像目標

1.掌握典型光學成像機理，了解其對應的數(shù)學模型及需求解的問題。

2.掌握典型的最優(yōu)化理論及方法，能夠通過設(shè)計目標函數(shù)求解典型的計算成像逆問題。

3.掌握深度學習算法的原理和應用，能夠通過python編程實現(xiàn)典型的深度網(wǎng)絡(luò)模型的部署和修改，并用于解決典型的計算光學成像問題。

深度學習光學設(shè)計

第一天

第一章 導論 

第一節(jié) 深度學習與光網(wǎng)絡(luò)綜述 

1.1 衍射神經(jīng)網(wǎng)絡(luò) 

1.2 片上集成光學神經(jīng)網(wǎng)絡(luò) 

第二節(jié) 深度學習與超表面反向設(shè)計綜述 

第三節(jié) 光網(wǎng)絡(luò)與超表面反向設(shè)計的挑戰(zhàn) 

第四節(jié) 光網(wǎng)絡(luò)與超表面反向設(shè)計未來的發(fā)展趨勢

第二章 軟件基礎(chǔ)知識（實操） 

第一節(jié) Python 環(huán)境的搭建 

1.1 Anaconda 、Numpy、Matplotlib 和 Pandas 安裝 

1.2 虛擬環(huán)境的搭建以及 Pytorch 安裝 

1.3 Pytorch GPU 版本的安裝 

第二節(jié) Python 的基礎(chǔ)教程 

2.1 Python 常見的數(shù)據(jù)結(jié)構(gòu)與數(shù)據(jù)類型 

2.2 Numpy 基礎(chǔ)教程 

2.3 Pandas 基礎(chǔ)教程 

2.4 Matplotlib 基礎(chǔ)教程 

第三節(jié) Pytorch 基本教程 

3.1 數(shù)據(jù)操作 

3.2 數(shù)據(jù)預處理 

3.3 線性代數(shù)

第二天

第三章 深度學習 

第一節(jié) 機器學習 

第二節(jié) 機器學習中的關(guān)鍵組件 

2.1 數(shù)據(jù) 

2.2 模型 

2.3 損失函數(shù) 

2.4 優(yōu)化算法

第三節(jié) 機器學習的分類 

3.1 監(jiān)督學習 

3.2 無監(jiān)督學習 

3.3 半監(jiān)督學習 

3.4 強化學習 

3.5 遷移學習 

第四節(jié) 深度學習 

4.1 深度學習的發(fā)展歷程 

4.2 深度學習的進展 

4.3 人工神經(jīng)網(wǎng)絡(luò) 

第四章 深度學習模型（實操） 

第一節(jié) 線性神經(jīng)網(wǎng)絡(luò)實例 

1.1 線性回歸 

1.2 softmax 回歸 

第二節(jié) 多層感知機實例 

2.1 多層感知機 

2.2 模型選擇、欠擬合和過擬合 

2.3 權(quán)重衰減 

2.4 Dropout

第三節(jié) 卷積神經(jīng)網(wǎng)絡(luò)實例 

3.1 從全連接層到卷積 

3.2 通道和匯聚層 

3.3 卷積神經(jīng)網(wǎng)絡(luò)（LeNet） 

3.4 批量歸一化 

3.5 殘差連接 

第四節(jié) 循環(huán)神經(jīng)網(wǎng)絡(luò)實例

4.1 序列模型 

4.2 語言模型和數(shù)據(jù)集 

4.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 

第五節(jié) 生成對抗網(wǎng)絡(luò)實例 

5.1 概率生成模型 

5.2 變分自編碼器 

5.3 生成對抗網(wǎng)絡(luò)

第三天

第五章 超材料 

第一節(jié) 超材料概述 

第二節(jié) 光子晶體(COMSOL 實際操作) 

2.1 光子晶體基礎(chǔ)和應用 

2.2 傳遞矩陣方法求解一維光子晶體能帶 

2.3 平面波展開法求解一維光子晶體能帶 

2.4 有限元法求解光子晶體能帶 

2.4.1 二維正方晶格能帶 

2.4.2 二維正方晶格光子晶體板能帶 

2.4.3 二維三角晶格光子晶體板能帶 

2.4.4 二維六角晶格光子晶體板能帶 

2.5 光子晶體板中的連續(xù)譜束縛態(tài)(BIC)及其拓撲荷的計算 

第三節(jié) 超表面在光場調(diào)控中的作用 

3.1 相位調(diào)控 

3.2 光強調(diào)控 

3.3 偏振調(diào)控 

3.4 頻率調(diào)控 

3.5 聯(lián)合調(diào)控 

第四節(jié) 超表面仿真實例(COMSOL 實際操作) 

3.1 頻率選擇表面周期性互補開口諧振環(huán) 

3.2 超表面光束偏折器 

第五節(jié) 超構(gòu)表面在量子光學中的研究與應用 

5.1 量子等離激元 

5.2 量子光源 

5.3 量子態(tài)的測量與操縱 

5.4 量子光學的應用