提出了一种新的隐私保护联邦学习框架，允许激光制造商合作构建强大的基于 ML 的激光寿命预测模型，达到了 0.1 年的平均绝对误差和显著的性能提升。

Mar, 2022

通过建立三个机器学习模型，即支持向量机（SVM）、高斯过程回归（GPR）和人工神经网络（ANN），利用不同带宽参数的多个功率谱样本和与疲劳寿命相关的多种材料特性，提出了广域疲劳寿命预测的机器学习方法，经过大量的蒙特卡洛数值模拟验证，表明新开发的机器学习模型在寿命预测准确性方面优于传统的频域模型，其中人工神经网络模型在三个开发的机器学习模型中具有最佳的综合性能。

Nov, 2023

我们展示了一种多保真度（MF）机器学习集成框架，用于逆向设计光子表面，该框架基于一个由我们使用高通量飞秒激光加工制备的 11,759 个样本的数据集进行训练。MF 集成组合了一个初始低保真度模型以生成设计解决方案，并与一个通过局部优化对这些解决方案进行改进的高保真度模型。组合的 MF 集成可以生成多个不同的激光加工参数集，每个参数集都可以以高精度（均方根误差 < 2%）产生相同的目标输入光谱发射率。SHapley Additive exPlanations 分析显示出复杂的激光参数与光谱发射率之间透明的模型可解释性关系。最后，MF 集成通过制备和评估由其生成的用于改进效率的能量收集装置的光子表面设计进行了实验验证。我们的方法为推进在能量收集应用中的光子表面逆向设计提供了强大的工具。

Jun, 2024

通过一系列机器学习模型，使用自建的基于 VGG16 模型的卷积神经网络进行传输训练，将中间层的输出作为特征传递给支持向量回归模型，从而精确确定自由电子激光束在屏幕上的位置，并在测试数据上达到 85.8％的正确预测。

Aug, 2023

这项研究使用机器学习模型，通过使用合成特征作为输入数据集，对 CsPbCl3 PQDs 的尺寸、吸收性和光致发光性进行预测。虽然所有模型都表现出高准确性的结果，但支持向量回归（SVR）和最近邻距离（NND）在测试和训练数据集上表现出最佳的属性预测性能，具有较高的 R2 值、较低的均方根误差（RMSE）和较低的平均绝对误差（MAE）度量值。鉴于机器学习的优越性愈发凸显，其在领域中的理解能力可能对纳米材料设计的未来产生重要影响。

Jun, 2024

本文介绍了第一次使用基于机器学习的雷达辅助波束预测在实际车联网通信场景中的应用，该应用可利用雷达传感器数据提供的关于收发位置和周边环境的信息来降低或消除毫米波和亚太赫兹的 MIMO 通信系统中波束训练的开销，实现低延迟高流动性应用。本文提出了利用雷达信号处理的领域知识来提取相关特征并将其馈入学习模型的深度学习雷达辅助波束预测方法，并使用了包含毫米波波束训练和雷达测量的大规模真实数据集 Deepsense 6G 来评估所提出的算法，结果显示所提出的算法能够在完全消除雷达 / 通信校准开销的同时达到约 90% 的前 5 个波束预测准确率，节省了 93% 的波束训练开销，这为解决毫米波 / 亚太赫兹通信系统中波束管理开销挑战开辟了一个有希望的方向。

Nov, 2021

本文使用 LiDAR 数据对 mmWave 波束预测任务进行了大规模实际评估，提出了一种使用 LiDAR 数据辅助波束预测和跟踪的机器学习模型，实验结果表明，这个模型在车路基建通信场景中可以在 95% 的情况下预测出最佳波束，并且波束校准开销降低了 90% 以上。这提供了一种有前途的解决 mmWave 和太赫兹通信系统中关键波束对准挑战的方法。

Mar, 2022

使用激光束进行的物理攻击可以欺骗深度神经网络，导致预测错误，这种实验室攻击是实际环境中对深度神经网络安全性的威胁。

Mar, 2021

本研究探讨了在大气湍流环境下，自适应功率束传输系统中的光纤阵列激光器的最优化。相较于传统的随机并行梯度下降（SPGD）算法，本研究通过 DNN 深度神经网络控制系统，综合利用目标平面的光伏阵列传感器数据，优化了传输系统性能。最终的实验结果验证了理论分析。

Apr, 2022

本文研究基于机器学习和反射高能电子衍射技术，建立了一个在原位快速优化气相外延生长量子点的方法，可以显著加快表面形态优化过程并提高 MBE 生长的可再现性。

Jun, 2023