使用深度学习构建的扫描超透镜显微镜 (SSUM) 系统通过光学超分辨率图像和扫描电子显微镜 (SEM) 领域图像之间的映射关系，将光学超分辨率图像转化为类似 SEM 的具有大景深的图像，其在图像转换中表现出色，重构结果具有高层次的细节，适用于芯片级缺陷检测、生物样品分析、法医学以及其他各个领域。

Oct, 2023

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

该论文介绍了一种基于深度神经网络的雷达数据处理方法，能够提供无混淆的雷达成像和超高分辨率，使用真实模拟数据进行了验证，证明了该方法性能优于现有的子空间算法和机器学习方案，为雷达信号处理提供了很有前途的解决方案。

Jun, 2023

通过使用智能亚表面图像传感器与后端数字计算结合的方法，实现了大规模并行的高速低能耗光学卷积神经网络，应用在机器视觉的对象分类中，成功地对手写数字进行了 98.6% 的准确分类和时尚图像 88.8% 的分类。

Jun, 2023

基于深度神经网络和元学习的方法，实现在缺少标准数据的情况下，用少量样本进行特定任务的有效训练，并在图像处理和磁共振成像等多个领域展示了方法的有效性。

Nov, 2023

使用元学习方法在多个 MRI 图像数据集上高效学习图像特征，并同时重建多种成像序列的高度欠采样 k 空间数据。

Mar, 2024

通过利用人工智能预测多频输入对特定频谱进行调制，可以显著提高网络的预测准确性，从而优化现有数据集的利用并为人工智能、化学、复合材料设计、生物医学等领域的跨学科研究和应用铺平道路。

Dec, 2023

本文介绍一种基于神经 - 权值方法的深度学习方案，用于更加精确高效的设计以实现目标频率依赖散射效果的增加几何复杂度的全电介质超表面，并且证明该方法不仅适用于本文中的案例，同时适用于等离子体学、光子晶体带隙材料和其他结构化材料系统。

Dec, 2020

本研究提出了一种有效训练基于深度学习的超分辨率模型的方法，通过利用自动生成的高分辨率图像，仅使用一个真实图像进行训练。这种方法可自主筛选图像，从而逐步生成优化的训练数据集，提高模型的性能和可视化效果，同时维护原始生物医学图像的特性，以无须真实世界人类数据的方式训练深度神经网络。

Jun, 2023

深度学习预测电磁软件计算结果是近年来广泛讨论的问题之一，本研究中，我们提出使用 ResNets-10 模型来预测等离子体元表面的 S11 参数，并通过 k 折交叉验证和小学习率进行两阶段训练，结果显示对于铝、金和银金属 - 绝缘体 - 金属等离子体元表面的预测损失分别为 - 48.45，-46.47 和 - 35.54，由于超低的误差值，该网络可在一定结构范围内替代传统的电磁计算方法进行计算，此外，该网络的训练过程少于 1,100 个 epochs，有效降低了设计过程时间，该提出的 ResNets-10 模型还可用于设计元互衍射器件和生物传感器，从而减少计算过程所需的时间，网络的超低误差表明该研究对未来人工智能电磁计算软件的发展有所贡献。

Aug, 2023