光学计算在这篇论文中发挥了重要作用，提出了一个基于芯片的物理信息神经网络（PINNs）训练框架，用于高维偏微分方程的求解，具有相当低的能量消耗和超低的延迟。

Dec, 2023

基于神经网络的模拟器提供了比电磁波传播模拟快数个数量级的路径。我们展示了一个统一的模型，能够解决数千自由度的散射模拟问题，适用于任何波长、任何照明前波前以及任何自由形式的材料，模型基于一种关注的多条件策略，并允许非循环监督和预测中间物理状态，这提供了更好的泛化性能而无需额外的数据生成成本。使用这种 O (1) 的中间预测能力，我们提出并证明了有效可计算的预测误差上界，使得所有预测在推断时都能提供准确性保证。在仅使用随机系统训练后，我们通过一套具有挑战性的多学科反问题展示了统一模型，在光学断层扫描、体积随机介质中的光束成形和自由光子反设计等问题中，我们发现性能和速度改进效果达到 96%，而无需特定问题的训练。我们的发现展示了一种通向现有散射模拟器的通用、可验证准确的神经替代品的路径，而我们的条件和训练方法直接适用于任何允许时域迭代求解器的偏微分方程。

Mar, 2024

推动了全光器件研究的半导体制造技术进展已经十年，而初步验证显示出即使在环境条件下也能获得令人鼓舞的结果。然而，一个重大挑战依然存在：缺乏能够模拟需要长时间稳定的复杂非线性系统的强大求解器。为了解决这一需求，我们提出了应用基于机器学习的傅立叶神经运算器方法来寻找与额外激子速率方程耦合的 Gross-Pitaevskii 方程的解决方案。我们的研究结果显示，所提出的方法几乎比基于 CUDA 的 GPU 求解器快 1000 倍，并且为全光芯片设计工作流程集成实验数据铺平了道路。

Sep, 2023

使用深度学习方法研究交通流中非线性双曲型偏微分方程的解决方案，通过训练算子来预测宏观交通状态和密度动态，以及改进冲击预测和物理约束问题。

Aug, 2023

利用多保真高斯过程的方法，结合数值方法和有限差分时间域（FDTD）模拟优化了表面等离子体反射镜颜色滤光片的性能，比较了不同的全局搜索算法，并通过在预先收集的真实数据集上的实验，用有限的预算更有效地优化了传输性能。

Nov, 2018

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

本文提出了 DeepOHeat，一个物理感知算子学习框架，该框架可以预测带有多个参数或非参数设计配置的热方程族的温度场，从而通过更改关键设计配置（而不仅仅是一些参数）实现快速热分析和优化。实验结果表明，对于未知测试用例，经过良好训练的 DeepOHeat 可以产生精确的结果，速度比传统方法提高了 1000 倍到 300000 倍。

Feb, 2023

使用 WaveY-Net 混合数据和物理学方法的卷积神经网络，通过学习物理约束和计算磁场得出电场的方式，针对介电光子结构预测电磁场分布以进行性能优化，提供了一种高速、精准和全面的 Maxwell 模拟器替代方案，特别适合于周期性硅纳米结构阵列的全局和局部自由形优化。

Mar, 2022

本文介绍 PhICNet 的混合框架，将基于物理的数值模型与深度学习结合，实现源识别和预测。实验结果表明，该模型可以长时间预测动态和确定外部引力源。

Apr, 2020

使用深度学习方法，基于 Fabry-Pérot 共振腔的完全解析描述，实现光学器件的逆向设计。

Dec, 2021