我们提出了一种能够实时全息波束引导的元表面天线。通过元原子状态的具体编码，可生成可重构偶极子阵列通过辐射在需求场模式。我们提出了一种基于深度学习的方法来控制具有变化状态的点偶极天线元表面天线。我们采用了一种深度学习算法，将自动编码器与电磁散射方程相结合，以实时确定目标远场模式所需的状态。散射方程从 Born 近似中用作训练神经网络的解码器，并使用解析格林函数计算来检查 Born 近似的有效性。我们的学习算法仅需计算时间不超过 200 微秒，即可确定元原子状态，从而实现全息天线的实时操作。

Jun, 2024

利用机器学习技术优化复杂系统的方法，通过少量数据训练得到的仿真器可近乎瞬间地给出准确结果和在海量参数空间内全局求解的优化结果，本研究以下一代毫米波蜂窝网络模拟器为例进行了验证并得到了成功的结果。

Aug, 2019

该研究通过机器学习得到一个可微的插值函数以优化 Raman 放大器的增益系数，并应用于前向泵浦 Raman 放大器中优化任意数量的泵浦频率和功率以及后向泵浦 Raman 放大器的效率。最终验证并优化了 250 千米未重复传输中的波长增益平坦度，实现了小于 1dB 的增益平坦度。

Jun, 2022

通过使用三维信号的小波散射系数作为特征的普通机器学习架构，扩展了先前仅用于小有机分子回归的固体谐波小波散射变换的机器学习框架。 采用与平移和旋转等变的一般可转向小波，形成了一个目标函数的稀疏模型。 作为此方法的一个例子，使用平面波密度泛函理论方法生成的数据库对无定形锂硅材料状态的形成能线性回归模型进行了训练，结果产生了与其他类似生成的数据库上的机器学习方法相比的最先进结果。

Nov, 2018

使用基于无监督深度学习的近场波束赋形方法，提出了一种解决极大规模阵列 (ELAA) 通信系统中波束训练开销问题的方法，该方法通过优化波束形成器来最大化多用户网络中的可达速率，并显著降低近场区域的波束训练成本。

Jun, 2024

本文研究了光学卫星通信（OSGC）中的自适应光学系统问题，并提出了使用强化学习（RL）来减小系统的延迟、大小和成本，通过与低成本四分之一光电二极管进行交互来学习控制策略的方案，并开发了一个 AO RL 环境来评估 RL 的性能。实证分析表明，PPO 优于 Soft-Actor-Critic 和 Deep Deterministic Policy Gradient，并且在 250 次训练之后，PPO 收敛到理想 Shack-Hartmann 传感器所能获得的最大奖励的 86％，表明强化学习在无波阵面传感器的 OSGC 中具有潜在的优势。

Mar, 2023

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

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

通过使用 Gledzer-Ohkitani-Yamada (GOY) shell 模型的强烈简化表示，我们构建了一个小尺度湍流模型进行研究，重点探讨了机器学习与物理学的相结合，以及在将机器学习与微分方程相结合时存在的问题。

Jan, 2022

本文提出了一种基于 MUSIC 算法的方向估计策略，利用小型天线阵列通过深度学习来重构虚拟大型天线阵列信号。该策略不仅比直接将进入信号插入 MUSIC 的性能显着提高，而且在高角度范围和低测试 SNR 值时，性能也比直接使用实际的大型天线阵列与 MUSIC 更好。我们进一步分析了训练 SNR 作为测试 SNR 函数的最佳选择，并观察到不同角度范围下该函数行为的显著变化。

Jul, 2020