深度学习光学设计专题

深度学习在光学设计领域的应用为光子学结构的创新提供了新的机遇和挑战。未来，随着深度学习技术的不断发展和完善，相信它将在光学设计领域发挥更加重要的作用。

深度学习光学设计讲师介绍

主讲老师团队来自全国重点大学、国家“985工程”物理与信息交叉学科专业，有多年的机器学习和课题组科研经历！研究方向涉及光学设计与物理学，深度学习，机器学习等交叉领域。有着丰富知识积累和实战经验。参与国自然科学基金项目多项等，包括发表SCI论文十余篇，国家发明专利一项！担任过MDPI旗下等多个期刊的审稿人。

深度学习计算光学成像讲师介绍

主讲老师来自国外光学成像顶尖高校，擅长计算机视觉与深度学习成像研究。近年来发表SCI论文15篇，授权三项发明专利。研究方向包括：图像处理与计算机视觉、深度学习方法、物理驱动的光学成像、跨模态成像研究等。

深度学习光学设计目标

1.基于深度学习的光网络的培养目标主要集中在培养具备现代光学理论基础和深度学习技术知识的高级专业人才。他们不仅需要熟悉现代光学的原理，还需要掌握深度学习算法的原理和应用，能够结合深度学习和现代光学原理设计出具有光学加速功能的器件。

2. 初步掌握构建深度学习模型所需的使用的工具，学会搭建深度学习开发环境。让初学者能够使用深度学习框架搭建常用神经网络模型，了解模型训练过程中出现的问题并掌握常用的解决办法。 

3. 熟悉超材料的发展现状，基本掌握多物理场仿真软件，并能够使用该软件计算光子晶体 的能带并对仿真结果做后处理。了解超表面在光学以及量子领域方面的应用，学会使用仿真软件对超表面结构进行仿真以及后续的结果分析。

4. 知道MATLAB与COMSOL以及Python间的交互方式，学会使用 Python处理COMSOL导出的数据，了解如何使用 MATLAB 将 COMSOL 的数据导出并处理为 Python 能读取的数据。 

5. 了解硅基光网络的发展现状，知道矩阵分解的原理，学会使用深度学习框架去搭建一个基于MZI的模型框架并将其应用在深度学习实例上。 

6. 未来利用光的加速功能，基于片上的光网络可以设计出具有加速功能的光芯片。基于衍射网络，则可以在自由空间上设计出快速成像系统，加速自动驾驶的图像识别。 

7. 利用深度学习模型，可以克服传统基于全波模拟的设计方法的劣势，可以快速给出给定 结构的目标响应，加速光学设计的过程。 

深度学习计算光学成像目标

1.掌握典型光学成像机理，了解其对应的数学模型及需求解的问题。

2.掌握典型的最优化理论及方法，能够通过设计目标函数求解典型的计算成像逆问题。

3.掌握深度学习算法的原理和应用，能够通过python编程实现典型的深度网络模型的部署和修改，并用于解决典型的计算光学成像问题。

深度学习光学设计

第一天

第一章 导论 

第一节 深度学习与光网络综述 

1.1 衍射神经网络 

1.2 片上集成光学神经网络 

第二节 深度学习与超表面反向设计综述 

第三节 光网络与超表面反向设计的挑战 

第四节 光网络与超表面反向设计未来的发展趋势

第二章 软件基础知识（实操） 

第一节 Python 环境的搭建 

1.1 Anaconda 、Numpy、Matplotlib 和 Pandas 安装 

1.2 虚拟环境的搭建以及 Pytorch 安装 

1.3 Pytorch GPU 版本的安装 

第二节 Python 的基础教程 

2.1 Python 常见的数据结构与数据类型 

2.2 Numpy 基础教程 

2.3 Pandas 基础教程 

2.4 Matplotlib 基础教程 

第三节 Pytorch 基本教程 

3.1 数据操作 

3.2 数据预处理 

3.3 线性代数

第二天

第三章 深度学习 

第一节 机器学习 

第二节 机器学习中的关键组件 

2.1 数据 

2.2 模型 

2.3 损失函数 

2.4 优化算法

第三节 机器学习的分类 

3.1 监督学习 

3.2 无监督学习 

3.3 半监督学习 

3.4 强化学习 

3.5 迁移学习 

第四节 深度学习 

4.1 深度学习的发展历程 

4.2 深度学习的进展 

4.3 人工神经网络 

第四章 深度学习模型（实操） 

第一节 线性神经网络实例 

1.1 线性回归 

1.2 softmax 回归 

第二节 多层感知机实例 

2.1 多层感知机 

2.2 模型选择、欠拟合和过拟合 

2.3 权重衰减 

2.4 Dropout

第三节 卷积神经网络实例 

3.1 从全连接层到卷积 

3.2 通道和汇聚层 

3.3 卷积神经网络（LeNet） 

3.4 批量归一化 

3.5 残差连接 

第四节 循环神经网络实例

4.1 序列模型 

4.2 语言模型和数据集 

4.3 循环神经网络 

第五节 生成对抗网络实例 

5.1 概率生成模型 

5.2 变分自编码器 

5.3 生成对抗网络

第三天

第五章 超材料 

第一节 超材料概述 

第二节 光子晶体(COMSOL 实际操作) 

2.1 光子晶体基础和应用 

2.2 传递矩阵方法求解一维光子晶体能带 

2.3 平面波展开法求解一维光子晶体能带 

2.4 有限元法求解光子晶体能带 

2.4.1 二维正方晶格能带 

2.4.2 二维正方晶格光子晶体板能带 

2.4.3 二维三角晶格光子晶体板能带 

2.4.4 二维六角晶格光子晶体板能带 

2.5 光子晶体板中的连续谱束缚态(BIC)及其拓扑荷的计算 

第三节 超表面在光场调控中的作用 

3.1 相位调控 

3.2 光强调控 

3.3 偏振调控 

3.4 频率调控 

3.5 联合调控 

第四节 超表面仿真实例(COMSOL 实际操作) 

3.1 频率选择表面周期性互补开口谐振环 

3.2 超表面光束偏折器 

第五节 超构表面在量子光学中的研究与应用 

5.1 量子等离激元 

5.2 量子光源 

5.3 量子态的测量与操纵 

5.4 量子光学的应用