光子学与机器学习交叉
一、基础理论与概述
光子学基础：空间 / 集成微纳光子系统简介，器件设计目标与调控思路
机器学习基础：AI/ML 基本概念、发展历史，经典算法（监督 / 无监督学习、线性回归等 ）
二、工具与技术栈
光子学仿真：Ansys optics 操作、FDTD 算法，器件正向设计（波导、超构表面等案例）
机器学习编程：Python 基础（语法、Numpy/Matplotlib ），Pytorch/Tensorflow 框架
三、核心应用与案例
光子学逆向设计：基于粒子群、梯度法的器件优化（光束分束器、拓扑优化案例 ）
深度神经网络：CNN/RNN/U - Net 等网络实现，手写数字识别等基础案例
微纳光子学应用：光谱预测、电磁近场设计，生成对抗网络（GAN）超构单元生成
四、前沿系统与拓展
光学系统应用：计算成像、图像处理（非线性光纤成像案例 ）
光学神经网络：片上衍射神经网络构建，图像分类等任务实践
未来展望：ML 增强光子芯片制造、光学测量，最新 Nature/Science 案例研讨
公众号：科研硕博