时间

主要内容

第一天

1. 光子学与深度学习概述
   1. 微纳光子学基础和应用
   2. 基于智能算法的光子学设计：概念与进展
2. 电磁仿真软件与Python基础
   1. Python面向对象编程介绍
      1. 面向对象编程(OOP)的基本原则，如何在Python中实现
      2. OOP在电磁仿真和光子学设计中的应用
   2. CST Microwave Studio、Lumerical FDTD Solutions等电磁仿真软件的使用
   3. 仿真软件的自动化接口调用

案例分析：展示如何通过自动化接口调用提高仿真效率

1. 基于全局搜索算法的光子器件设计
   1. 全局搜索算法简介：遗传算法、粒子群算法、模拟退火算法等
   2. 直接二元搜索算法的原理

案例分析与实践：基于直接二元搜索的片上偏振分束器设计

（Nature Photonics, 9, 6, (2015)）

• 片上偏振分束器的设计要求和性能指标
• 利用直接二元搜索算法进行优化设计的过程
• 实践操作，包括算法实现、参数调优、结果分析等

第二天

1. 基于机器学习算法的光子器件设计与性能预测
   1. 机器学习算法简介
      1. 监督学习、非监督学习、强化学习等机器学习算法的基本原理
      2. 机器学习、深度学习算法在光子结构设计中的应用
   2. 软件和工具
      1. 机器学习工具（如TensorFlow、PyTorch等）介绍及使用
      2. 深度学习光子设计的数据采集：数据采集的方法和技巧，为深度学习模型准备数据。
   3. 机器学习模型的训练和验证
      1. 深度学习模型工程文件的基本结构与设计
      2. 深度学习模型的训练流程和参数调优技巧
      3. 深度神经网络模型的原理

案例分析与实践：搭建一个基于深度神经网络的光学响应预测模型

• 深度神经网络在光学响应预测中的应用
• 网络架构的选择、模型训练和调优的策略
• 实践操作，包括数据准备、模型搭建、训练调优、结果分析等。

第三天

1. 基于梯度优化算法的光子结构设计
   1. 伴随变量算法介绍
   2. 水平集算法介绍

案例分析与实践：基于伴随变量算法的片上波分复用器设计（Nature Photonics, 9, 6 (2015)）

• 片上波分复用器的设计要求和性能指标。
• 伴随变量算法在设计中的应用，如模式选择、带宽优化等。
• 实践操作，包括算法实现、参数调优、结果分析等。
• 

1. 基于深度生成模型的光子结构逆向设计
   1. 深度生成模型介绍：变分自编码器VAE、生成对抗网络GAN等
   2. 生成模型的自监督学习方法在光子器件设计中的应用

案例分析与实践：基于VAE的自由形状超表面结构设计，Advanced Materials 31 (35), 1901111(2019), SCIENCE CHINA, 63(8), 1-8 (2020)

• 自由形状超表面的概念，如相位调控、波前整形等。
• 基于VAE的设计流程，如数据准备、模型训练、结构生成等。
• 实践操作，包括算法实现、参数调优、结果分析等。
• 

第四天

1. 多功能超表面设计
   1. 多功能超表面概述和设计难点
   2. 超表面波前调控器件设计方法

案例分析与实践：全息超表面设计

• 全息超表面的概念，如布拉格衍射、全息成像等。
• 设计流程，如全息图生成、超表面设计、性能测试等。
• 实践操作，包括全息图设计、超表面优化、性能分析等

1. 多算法融合的微纳光学系统端到端设计
   1. 多算法融合设计思路简介，微纳光学系统的端到端设计

案例分析与实践：基于多算法融合的多功能超表面设计，Advanced Materials 34 (16), 2110022, 2022

• 多算法融合在多功能超表面设计中的作用，如性能提升、设计优化等。
• 设计流程，如算法选择、协同机制、性能评估等。
• 实践操作，包括算法实现、协同优化、结果分析等。