光学谐振腔的数据驱动设计
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
本文提出一种新颖的方案，使用残差作为损失函数来训练深度神经网络，以精确迅速地解决马克思韦方程，无需依赖其他计算电磁求解器。我们利用此网络的速度，设计了一种微透镜，最大化所需的优点函数，为光仿真和光学器件的光学设计开辟了一条新途径。
Jul, 2021
利用机器学习的方法解决拓扑相反问题，用于识别复杂拓扑绝缘体的参数，以获得在目标频率下的受保护边缘状态，并解决了直接问题的多值分支和非物理解问题。应用于一个实际的拓扑激光设计，结果表明这种新的基于机器学习的逆向设计技术可能扩展到拓扑光子学的许多应用领域。
Mar, 2018
采用概率生成方法，在潜在空间中对设计元激元和光学反应进行压缩，以解决由物理结构到光学响应之间难以捉摸的关系带来的逆向设计问题。该模型可在训练期间利用有标签和无标签数据优化生成逆向设计和确定性正向预测。这种基于数据的模型可以成为在干涉材料和光子学研究领域中加速设计、表征和新发现的全面有效的工具。
Jan, 2019
本文提出了一种基于混合密度网络模型和迁移学习增强的逆向建模方法，用于纳米光子结构，该方法在输入光学响应的情况下能够准确预测设计解决方案的能力，并克服了混合密度网络模型中的多个挑战。
Jan, 2024
利用元表面技术对薄膜光学进行光学特性的灵活操控，本研究提出了一种替代优化框架来开发适用于天文高对比度成像的两种旋涡相位面具，其中的几何特征通过计算智能技术进行优化。为解决传统方法的不足，引入一种数据高效的进化优化设置，利用深度神经网络作为高度精确和高效的替代模型，使用健壮的粒子群进化优化方案操作光子器件的几何参数进行优化，通过该方法，优化了两种设计方案的性能，有效地将所需的模拟次数与传统优化技术相比减少了 75%。
Sep, 2023
光学是下一代机器学习计算硬件的令人激动的方向，能够在计算速度和能源效率方面提供数个数量级的增强。本研究首次提出了一种简单而通用的方案，通过饱和吸收体作为激活单元，并通过泵浦 - 探测过程实现所需的性能以解决光学实现反向传播的挑战，从而展示了完全依赖于模拟光学过程进行训练和推理任务的神经网络的构建可能性。
Aug, 2023