机器学习赋能的光子学器件与系统：从创新设计到前沿应用
案例一机器学习光子学导论
空间光学与集成微纳光子学系统简介
光学系统引入机器学习方法的原因
人工智能和机器学习基本概念与历史
机器学习在光子学设计中的应用案例
基于光子学器件的光学神经网络应用简介
光子器件仿真软件基础与基于优化方法的器件逆向设计
光子学器件设计目标与调控思路
Ansys optics 软件操作与技巧
FDTD 与空间单元仿真模拟方法
片上波导与超构光学器件设计及参数提取
基于优化算法的光子学逆向设计
概念与历史
粒子群算法的启发式优化及案例
其他启发式优化方法简介
梯度拓扑优化方法及案例
机器学习简介与 Python 机器学习编程基础
机器学习基础概念
监督与无监督学习
常见机器学习算法（线性回归、SVM 等）
Python 编程基础（语言特点、语法、数据结构等 ）
Numpy 与 Matplotlib 使用
深度学习框架 Pytorch 和 Tensorflow 简介
常用的深度神经网络简介与 Python 实现
深度学习简介
神经网络基础概念与结构
深度学习原理与反向传播算法
常用深度网络模型（FC、CNN、RNN 等 ）
基于 Python 的神经网络实现案例
深度学习在微纳光子学中的应用
微纳光子器件原理与结构
基于深度学习的光谱预测与逆向设计
基于机器学习的电磁近场预测和逆向设计
基于深度学习的超构单元生成
深度学习在多种光学系统中的应用
深度学习在多样化光学系统中的应用简介
深度学习在计算成像中的应用案例
深度学习在图像处理中的应用
光子学器件构建的光学深度神经网络与应用
光学神经网络与应用
主动网络：光学矩阵 - 向量乘加运算器与加速器
被动网络：衍射光学神经网络案例与分析
光学神经网络的优势与挑战总结
机器学习与光子学的更多应用介绍与未来展望
深度学习增强微纳光学芯片制造
深度学习处理 - 优化测量功能增强案例
非典型机器学习系统 —— 万物皆可机器学习
公众号：科研硕博