专题一 (直播4天) | （详情内容点击上方名称查看） 2025年1月18日-1月21日 | |
专题二 (直播4天) | （详情内容点击上方名称查看） 2025年01月04日-01月05日 2025年01月11日-01月12日 | |
专题三 (直播4天) | （详情内容点击上方名称查看） 2024年12月21日-12月22日 2024年12月28日-12月29日 | |
专题四 (直播4天) | （详情内容点击上方名称查看） 2024年12月21日-12月22日 2025年01月04日-01月05日 | |
培训对象
电磁学、光学、材料科学、电子工程、光子学与光电子学、无线电电子学、物理学、电信技术、自动化技术、仪器仪表工业、电气工程、电力工业、计算机软件及计算机应用、工业通用技术及设备、生物医学工程、金属学等领域的研究人员、工程师、研究生、及相关行业从业者，以及对超表面技术感兴趣的专业人士和跨领域研究人员。
讲师介绍
培训大纲
智能光学计算成像技术与应用
时间 | 课程内容 |
光学计算成像导论 | 1.计算成像的概念与现状 2.生活与科研中的典型应用场景 3.光学计算成像与计算摄影 4.深度学习增强的计算成像 |
图像基本概念及计算成像理论基础 | 1.颜色和光谱，图像在程序中的表示 2.图像传感器，成像物理模型与噪声 3.其他成像元件与光波波前分析方法 4.常见图像描述方法与图像处理流程 5.图像重构理论基础 6.一般计算成像逆问题与求解方式 Ø 实例：Poisson blending of image |
机器学习及Python软件基础 | 1.机器学习基础概念 2.监督学习与无监督学习 3.常用算法简介（如线性回归、多层感知机等） 3.1 Python 编程基础 3.2 Python 环境搭建与工具介绍 3.3 基本语法与数据结构 3.4 矩阵运算库NumPy与GPU运算库Cupy 3.5 数据可视化工具（ Matplotlib 等） 3.6 深度学习框架 PyTorch 与TensorFlow Ø 实践：用Numpy/cupy与matplotlib绘制分形图像 |
图像常用深度神经网络与PyTorch/TensorFlow实现 | 1.深度学习简介与神经网络基础概念 2.深度学习的基本原理与训练过程 3.常用基本深度网络模型简介 3.1全连接网络(FC） 3.2卷积神经网络（CNN） 3.3带历史记忆的网络（如RNN） 4.基于PyTorch与TensorFlow的几种神经网络构建 Ø 全连接网络 Ø 卷积神经网络 Ø U-Net Ø Res-Net Ø 实践：基本的全连接网络模型与卷积神经网络的搭建与训练 |
图像的神经网络表示与ADMM图像重构 | 1.神经表示（Neural Representations）与位置嵌入（Positional Encoding） 2.神经渲染（Neural Rendering） 3.学习式重构（Learned Reconstruction）与应用介绍 4.用ADMM算法来求解正则化逆问题 Ø 实践：用 ADMM 算法来重构图像 |
常见的计算成像应用 | 1.图像去噪与解模糊 2.空域编码-解码成像（压缩感知、单像素成像）简介 3.时域编码-解码成像（飞行时间、非视域成像）简介 4.无透镜成像 4.1无透镜成像的概念与基础 Ø 点扩散函数（PSF） 调控与无透镜成像: 散射成像实例 |
压缩感知和压缩编码成像 | 1.压缩感知与压缩成像理论 1.1基于多模光纤lantern的压缩计算成像讲解 Ø 实践：1D信号和2D图像的压缩感知重构 2.结构光照明和单像素成像理论 3.基于神经网络的单像素成像 3.1 基于神经网络的远场超分辨率鬼成像讲解 Ø 实践：基于多模光纤超快脉冲的单像素探测超快成像 |
高光谱成像 | 1.高光谱成像简介与理论知识 2.神经网络光谱成像 Ø 案例：具有高空间分辨率的宽带高光谱图像传感器（实践网络重构部分） |
微纳光学计算成像 | 1.超构表面与微纳光学增强的计算成像简介 2.超构表面与相位获取成像 Ø 实例讲解：纳米光学高质量超构透镜成像（实践图像重构部分） |
端到端光学算法联合设计 | 1.一般图像系统设计 2.端到端光学和图像处理系统设计 Ø 案例讲解：端到端的基于深度学习的散射介质散斑计算成像 Ø 综合实例讲解： 用一个纯相位镜头的灰度图像到高光谱图像（超光谱/解模糊/深度学习/点扩散函数设计/压缩成像） |
部分案例图示：
COMSOL 多物理场仿真技术与应用-光电专题（四十一期）
（一）案列应用实操教学： | ||
案例一 | 光子晶体能带分析、能谱计算、光纤模态计算、微腔腔膜求解 | |
案例二 | 类比凝聚态领域魔角石墨烯的moiré 光子晶体建模以及物理分析 | |
案例三 | 传播表面等离激元和表面等离激元光栅等 | |
案例四 | 超材料和超表面仿真设计，周期性超表面透射反射分析 | |
案例五 | 光力、光扭矩、光镊力势场计算 | |
案例六 | 波导模型（表面等离激元、石墨烯等）本征模式分析、各种类型波导传输效率求解 | |
案例七 | 光-热耦合案例 | |
案例八 | 天线模型 | |
案例九 | 二维材料如石墨烯建模 | |
案例十 | 基于微纳结构的电场增强生物探测 | |
案例十一 | 散射体的散射，吸收和消光截面的计算 | |
案例十二 | 拓扑光子学：拓扑边缘态和高阶拓扑角态应用仿真 | |
案例十三 | 二硫化钼的拉曼散射 | |
案例十四 | 磁化的等离子体、各向异性的液晶、手性介质的仿真 | |
案例十五 | 光学系统的连续谱束缚态 | |
案例十六 | 片上微纳结构拓扑优化设计(特殊情况下，利用二维系统来有效优化三维问题) | |
案例十七 | 形状优化反设计：利用形状优化设计波导带通滤波器 | |
案例十八 | 非厄米光学系统的奇异点：包括PT对称波导结构和光子晶体板系统等 | |
案例十九 | 微纳结构的非线性增强效应，以及共振模式的多极展开分析 | |
案例二十 | 学员感兴趣的其他案例 | |
（二） 软件操作系统教学： | ||
COMSOL 软件入门 | 初识COMSOL仿真——以多个具体的案例建立COMSOL仿真框架，建立COMSOL仿真思路，熟悉软件的使用方法 | |
COMSOL软件基本操作 Ø 参数，变量，探针等设置方法、几何建模 Ø 基本函数设置方法，如插值函数、解析函数、分段函数等 Ø 特殊函数的设置方法，如积分、求极值、求平均值等 Ø 高效的网格划分 | ||
前处理和后处理的技巧讲解 Ø 特殊变量的定义，如散射截面，微腔模式体积等 Ø 如何利用软件的绘图功能绘制不同类型的数据图和动画 Ø 数据和动画导出 Ø 不同类型求解器的使用场景和方法 | ||
COMSOL 软件进阶 | COMSOL中RF、波动光学模块仿真基础 Ø COMSOL中求解电磁场的步骤 Ø RF、波动光学模块的应用领域 | |
RF、波动光学模块内置方程解析推导 Ø 亥姆霍兹方程在COMSOL中的求解形式 Ø RF方程弱形式解析，以及修改方法(模拟特殊本构关系的物质) Ø 深入探索从模拟中获得的结果 （如电磁场分布、功率损耗、传输和反射、阻抗和品质因子等） | ||
边界条件和域条件的使用方法 Ø 完美磁导体和完美电导体的作用和使用场景 Ø 阻抗边界条件、过度边界条件、散射边界条件、周期性边界条件的作用 Ø 求解域条件：完美匹配层的理论基础和使用场景、 PML网格划分标准 Ø 远场域和背景场域的使用 Ø 端口使用场景和方法 Ø 波束包络物理场的使用详解 | ||
波源设置 Ø 散射边界和端口边界的使用方法和技巧（波失方向和极化方向设置、S参数、反射率和透射率的计算和提取、高阶衍射通道反射投射效率的计算） Ø 频域计算、时域计算 Ø 点源，如电偶极子和磁偶极子的使用方法 | ||
材料设置 Ø 计算模拟中各向同性，各向异性，金属介电和非线性等材料的设置 Ø 二维材料，如石墨烯、MoS2的设置 Ø 特殊本构关系材料的计算模拟(需要修改内置的弱表达式) | ||
网格设置 Ø 精确仿真电磁场所需的网格划分标准 Ø 网格的优化 Ø 案列教学 | ||
COMSOL WITH MATLAB功能简介 Ø COMSOL WITH MATLAB 进行复杂的物理场或者集合模型的建立(如超表面波前的衍射计算) Ø COMSOL WITH MATLAB 进行复杂函数的设置(如石墨烯电导函数的设置和仿真) Ø COMSOL WITH MATLAB 进行高级求解运算和后处理 Ø COMSOL WITH MATLAB求解具有色散材料的能带 | ||
部分案例图示：
超表面逆向设计与应用
时间 | 课程内容 |
第一部分 | 1.超表面概述 1.1.超表面基础和应用 1.2.超表面逆向设计概述 2.基于CST电磁仿真软件基础 2.1.CST Microwave Studio电磁仿真软件介绍 2.2.CST电磁仿真软件使用和基本操作 3.具体案例操作1：双频段带通滤波器的建模与仿真分析 3.1.运行新建工程 3.2.建立仿真模型 3.3.设置运行条件 3.4.查看并处理仿真结果 4.具体案例操作2：太赫兹吸波器的建模与仿真分析 4.1.运行新建工程 4.2.建立仿真模型 4.3.设置运行条件 4.4.查看并处理仿真结果 |
第二部分 | 5.超表面的耦合模理论 5.1 耦合模理论简介 5.2 超表面耦合模理论基本物理参数 5.3 超表面耦合模方程和透射谱等参数计算 6.基于超表面实现电磁感应透明（EIT） 6.1 超表面电磁感应透明理论分析 6.2 太赫兹超表面电磁感应透明仿真模拟和分析 案例分析1：基于超表面实现电磁感应透明（EIT）论文复现和讲解 7.基于超表面实现连续谱中束缚态（BIC） 7.1 连续谱中束缚态理论分析 7.2 连续谱中束缚态仿真模拟和分析 案例分析2：基于超表面实现连续谱中束缚态（BIC）论文复现和讲解 |
第三部分 | 8.基于耦合模理论的超表面逆向设计 8.1 基于耦合模理论逆向设计连续谱中束缚态吸波器 8.1.1 理论基础和分析 8.1.2 仿真模拟和分析 案列分析3：基于耦合模理论逆向设计连续谱中束缚态吸波器论文复现和分析 8.2 基于耦合模理论逆向设计连续谱中束缚态高Q器件 8.2.1 理论基础和分析 8.2.2 仿真模拟和分析 案例分析4：基于耦合模理论逆向设计连续谱中束缚态高Q器件论文复现和分析 9.太赫兹超表面透射谱实验理论讲解 9.1 太赫兹波发射源 9.2 太赫兹远场时域系统 |
第四部分 | 10.FDTD逆向设计基础入门 10.1 lumopt基本介绍 10.2 FDTD与Python环境配置 10.3 伴随法与拓扑优化介绍 10.4 梯度下降算法以及遗传算法介绍 |
第五部分 | 11.FDTD仿真实例 （一）利用Python调用Lumerical FDTD （二）在Python中编写FDTD仿真文件 （三）逆向设计仿真文件设置 （四）基于拓扑优化的超表面颜色路由器件详解 （五）利用等值线法导出逆向设计GDS文件 |
第六部分 | 12.模拟论文复现 （一）基于拓扑优化的超表面大角度聚合器设计 ----（根据发表在NANO LETTERS上的论文） （二）超表面消色差聚合器设计 ----(根据发表在NANO LETTERS上的论文) （三）超表面偏振转换器件设计 ----（根据发表在Chinese optics letters 上的论文） （四）基于形状优化的梯度超表面设计 ----（根据发表在Light&Science Application 上的论文） （五）基于遗传算法的超表面设计 ----（根据发表在Opto-Electronic Science 上的论文） |
机器学习赋能的智能光子学器件系统研究与应用
课程背景 | ||
课程针对希望了解和掌握在集成光学/空间光学方面的器件、系统和算法结合应用的科研人员及开发者。课程主要为光子学与机器学习的交叉学科理论讲解与结合案例实操的技术讲解，以期衔接常见机器学习模型及框架的使用与各种光学器件和系统实际应用中的间隔。先介绍常用的光子学仿真设计手段与基于 Python 语言的机器学习框架，讲解机器学习的基本算法与当前实用的几种深度学习网络架构，并结合前沿的文献案例进行示例演示与练习，案例涵盖 Science 等顶刊（开阔视野）与科研中较为实用的期刊（难度适中，便于快速掌握及取得成果），有利于短期及中长期的科研和开发流程。最后针对讲解当前最新的前沿进展应用，抛砖引玉，增进对于机器学习在光子学中的应用的深度理解。 | ||
智能光子学绪论 | 1.1 空间光学系统与集成微纳光子学系统概论 1.2 机器学习和人工智能的基本概念与发展历程 1.3 机器学习方法在光子学设计中的应用简介 1.4 光子学器件构建神经网络的应用简介 | |
光子学器件仿真软件基础与器件逆向设计 | 2.1 光子学器件的主要设计目标和调控方法 2.2 Rsoft, Ansys optics 光子学仿真软件介绍与基本操作 2.3 时域有限差分方法与空间光场模拟 案例分析：传播相位与几何相位超构单元仿真与器件库提取与二维超构透镜设计与传播光场仿真 2.4 波导器件仿真与片上光学系统设计 案例分析： 片上的超构单元仿真与光学参数提取 2.5 基于仿真软件的光子学逆向设计 Ø 光子学逆向设计的概念 Ø 基于粒子群算法的光学器件优化 Ø 基于伴随方法的光子学器件优化 案例分析：基于粒子群方法的耦合器设计 | |
机器学习方法简介与 Python 软件基础 | 3.1 机器学习基础概念 3.2 监督学习与无监督学习 3.3 简单常用算法简介（如线性回归、SVM 等） 3.4 Python 编程基础 Ø Python 环境搭建与工具介绍（如 Jupyter Notebook） Ø 基本语法与数据结构 Ø NumPy 等库的使用 Ø 数据可视化工具（如 Matplotlib 等） Ø 深度学习框架 Pytorch 简介 | |
常用的深度神经网络简介与 Python 实现 | 4.1 深度学习简介 4.2 神经网络基础概念与结构 4.3 深度学习的基本原理与训练过程 4.4 常用深度网络模型简介 Ø 全连接网络(FC） Ø 卷积神经网络（CNN） Ø 带历史记忆的网络（如 RNN） 4.5 案例分析：基于 Python 的几种神经网络构建 Ø 全连接网络 Ø 卷积神经网络 Ø U-Net 4.6 一个基本的全连接网络模型的搭建与训练 | |
深度学习在微纳光子学中的应用 | 5.1 微纳光子器件的基本原理与常见结构 5.2 基于深度学习的光谱预测与逆向设计 案例分析：一维的和二维的全介质和金属SPR 材料的光谱预测与逆向设计 5.3 基于机器学习的电磁近场预测和逆向设计 案例分析：介质超构表面的近场调控设计 5.4 基于深度学习的超构单元生成 案例分析：基于生成-对抗网络的电磁调控结构定制化生成 | |
深度学习在其他光学系统中的应用 | 6.1 深度学习在多样化的光学系统中的应用概述 6.2 深度学习在计算成像中的应用 案例分析：深度学习增强的非线性光纤单像素成像系统 6.3 深度学习在图像处理中的应用 | |
光子学器件赋能的深度神经网络应用 | 7.1 光子学器件在深度学习中的应用概述 7.2 基于光学矩阵-向量相乘的卷积加速器 7.3 衍射光学神经网络 案例分析：基于片上衍射神经网络的超构光学系统用于图像分类 7.4 光学神经网络的优势与挑战 | |
机器学习与光子学的高阶应用介绍与未来展望 | 8.1 深度学习赋能光子芯片制造 案例分析：通过机器学习优化工艺容差与器件性能 8.2 机器学习赋能的传统光学仪器增强 案例分析：基于深度学习的高分辨红外热波段雷达 8.3 光子学硬件赋能的低功耗信息处理 案例分析：基于衍射神经网络的太赫兹光学处理器（Science） 8.4 非典型机器学习系统——万物皆可机器学习（Nature） | |
部分案例展示：
培训特色
报名须知
更多内容请到之晓光学公众号主页
广告/咨询/合作/科研成果推广等，请联系微信号: lgs810975
