Oct, 2018

智能纳米光子学：将光子学和人工智能融合于纳米尺度

PDF
TL;DR该综述总结了纳米光子学和机器学习相结合的最新进展，提供了不同计算方法（尤其是深度学习）在纳米光子学反向设计中的概述，并讨论了深度神经网络在光子平台上的实现。
nanophotonicsmachine learningcomputational methodsinverse designdeep neural networks
发现论文，激发创造
  • 人工智能和神经形态计算的光子学

    该论文回顾了集成光子神经形态系统的最新进展，分析当前和未来的挑战，概述了克服这些挑战所需的科学和技术进步，包括光子计算、光子集成电路、人工神经网络、机器学习和神经形态光电子学。

    Oct, 2020

  • 具有连贯纳米光子电路的深度学习

    本篇论文提出新的光学神经网络架构，并利用光学的独特优势实现计算速度和能源效率的显著提升，最高分别达到目前技术水平的两个和三个数量级，此外使用可编程纳米光子处理器进行实验验证。

    Oct, 2016

  • 强化学习光子学结构

    本文介绍了一种基于光子技术和强化学习的主动学习机制的设计方案，包括 SARSA, Q-learning 和 projective simulation 等算法。该方案可实现抽象和概括机制，并且具有可扩展性和可移植性。

    Jul, 2019

  • 纳米光子学中反向设计的展望

    本文综述了计算反演设计在纳米光子学领域的最新进展及其在非线性、拓扑、近场和芯片光学等领域的应用。

    Jan, 2018

  • 通过原位反向传播训练光子神经网络

    本文提出了一种新的方法，使用伴随变量方法导出光子反向传播算法的光学模拟，并通过在设备内进行强度测量来准确获得这些梯度，从而大大提高了光学神经网络的训练效率。

    May, 2018

  • 利用人工神经网络进行纳米光子颗粒模拟和反向设计

    使用人工神经网络逼近多层纳米粒子的光散射，并利用反向传播求解纳米光子逆向设计问题。

    Oct, 2017

  • 空间变化的纳米光子神经网络

    光子处理器在能量成本高昂、人工智能计算需求剧增的背景下成为替代传统电子处理器的潜在选择，然而现有的光学神经网络在图像识别准确度上远远低于现代电子神经网络，本研究通过低维重参数模型引入了一种基于大核空间可变卷积神经网络，实现了基于纳米光学结构的光学神经网络在 CIFAR-10 数据集上达到 73.80% 的盲测分类准确度，首次超越现代数字神经网络 AlexNet（72.64%），让光学神经网络跻身于现代深度学习时代。

    Aug, 2023

  • 纳米尺度显微镜中的人工智能可视化

    本文研究灵活使用 AI 技术在纳米材料表征领域，以卷积自编码器为基础，探索可解释的人工智能提取纳米材料形态特征的新方法，并实现了一个开放的平台用于纳米材料图像的深度可视化研究。

    Jan, 2022

  • 机器学习辅助光子器件的全局优化

    本文提出了一种基于机器学习的全局优化框架，以设计光子器件。该方法使用对抗自动编码器和元启发式优化框架，通过物理传递的压缩设计空间工程，提高了元器件配置的优化搜索效率，并可以揭示器件的光学性能的物理基础。

    Jul, 2020

  • 量子领域中的机器学习和人工智能

    本文综述了在量子计算、机器学习和人工智能交叉领域的主要思想、最近的发展以及在量子领域中研究机器学习和人工智能技术的进展，并探讨了量子机器学习和人工智能的相互增强作用以及基于量子力学概念的学习和智能问题。

    Sep, 2017