技术咨询
代买器件
商务客服
研发客服
在 人工智能与 电磁学 融合的背景下，电磁学研究正经历革命。 人工智能技术在电磁仿真加速、天线设计优化、电磁兼容性分析、逆向电磁问题求解、自适应滤波器设计及电磁设计自动化等方面 展现出巨大潜力，显著提升了传统电磁场与波研究的效率和精度，推动了通信、雷达及无线能量传输等领域的发展。
与此同时， 人工智能与光子学设计 融合创新，科研的边界持续扩展，研究成果不断涌现。从理论模型的整合到光学现象的复杂模拟，从数据驱动的探索到光场的智能分析，机器学习正以前所未有的动力推动光子学领域的革新。
COMSOL多物理场仿真 因其高效计算和多场耦合分析特性，已成科研与工程建模/计算的利器。将COMSOL仿真引入实验中，可视化处理与实验数据相结合，大大强化了文章的说服力与新颖性。
FDTD Solutions 是一款先进的微纳光学设计工具，采用时域有限差分（FDTD）方法精确求解麦克斯韦方程组， 适用于CMOS图像传感器、OLED、液晶、表面等离子体、石墨烯、太阳能电池、集成光子组件、超材料、衍射光学和光子晶体的设计与仿真。 软件支持空间滤波、场极化、磁场模拟及周期性结构分析等功能，为电磁和光子学问题提供直接的时空解决方案。
为了满足广大科研人员对机器学习与光子学设计/电磁学/COMSOL/FDTD深入学习与高效应用的需求， 特举办“人工智能在电磁场与微波技术专业的应用”、“机器学习赋能的智能光子学器件系统研究与应用”、“FDTD Solutions（时域有限差分）仿真技术与应用”及“COMSOL Multiphysics多物理场仿真技术与应用-光电专题（四十期）”培训班，本次培训会议主办方为 北京软研国际信息技术研究院 ，承办方为 互动派（北京）教育科技有限公司 ，相关事宜通知如下：
|
专题一 (直播4天) |
（详情内容点击上方名称查看） 2024年10月26日-10月27日 2024年11月02日-11月03日 |
|
|
专题二 (直播4天)
|
（详情内容点击上方名称查看） 2024年10月26日-10月27日 2024年11月02日-11月03日 |
|
|
专题三 (直播4天) |
（详情内容点击上方名称查看） 2024年10月19日-10月20日 2024年10月26日-10月27日 |
|
|
专题四 (直播4天) |
（详情内容点击上方名称查看） 2024年10月19日-10月20日 2024年10月26日-10月27日 |
|
计算机科学与工程、电气工程、通信工程、电力工程、物理学、电子工程、材料科学、工业通用技术、汽车工程、微波工程、机械工程、建筑科学、土木工程、航空航天、光电工程、微纳光学、超构材料、光通信、光电子器件及自动化技术等领域的科研人员、工程师及相关行业从业者、跨领域研究人员。
人工智能在电磁场与微波技术专业的应用
|
一、神经网络入门 +手写体识别（理论+实操） Ø MNIST数据集 Ø 网络结构 Ø 模型训练 Ø 输出结果 |
|
|
二、一维卷积自编码器构建滤波器电磁仿真模型的替代模型（理论+实操） 理论内容：（1D-CAE 模型构建、样本数据的获取、1D-CAE 模型搭建、1D-CAE 模型的评估方法） 实例操作： Ø 基于1D-CAE 模型和PSO 算法的六阶陶瓷介质滤波器设计 Ø 基于1D-CAE 模型和PSO 算法的八阶陶瓷介质滤波器设计 Ø 基于1D-CAE 模型和PSO 算法的SLSL耦合器设计 Ø 基于1D-CAE 模型和PSO 算法的D-CRLH 滤波器设计 |
|
|
三、基于随机森林算法确定待优化设计参数的优化权重（理论+实操） 理论内容：（算法框架 、数据处理 、算法实现 、评估方法 ） 实例操作： Ø 双模介质滤波器的几何参数权重预测 Ø 八阶腔体滤波器的几何参数权重预测 |
|
|
四、基于指标区间法的 PSO 算法阶段式智能优化算法（理论+实操） 理论内容：（算法框架与实验设置、改进的PSO指标区间法 、代理模型的搭建及训练、实验数据的获取 、实验环境） 实例操作： Ø 四阶腔体滤波器的算法优化 Ø 八阶腔体滤波器的算法优化 Ø 六阶腔体滤波器的算法优化 |
|
|
五、基于自适应更新代理模型辅助 PSO 优化算法（理论+实操）
理论内容：（算法框架与实验设置、基于在线数据驱动的代理模型自适应更新、代理模型的搭建及训练、实验数据的获取、实验环境） 实例操作： Ø 双模介质滤波器算法优化 Ø 六阶介质滤波器的算法优化 Ø 四阶腔体滤波器的算法优化 |
|
|
六、基于1D-CNN提取耦合矩阵的滤波器设计方法（理论+实操）
理论内容：（基于1D-CNN 模型的耦合矩阵提取方法、数据生成及处理、1D-CNN 模型构建、网络训练与优化、相位加载效应的消除） 实例操作： Ø 四阶腔体滤波器的设计实例 Ø 六阶腔体滤波器的设计实例 |
|
|
七、matlab实现矢量拟合法（理论+实操）
理论内容：（数据文件与介绍、矢量拟合原理与程序函数调用、matlab实现矢量拟合法步骤） 实例操作： 根据频率响应实现矢量拟合、矩阵拟合等 |
|
|
八、基于代理模型辅助MOEA/D的微波滤波器件多目标优化算法（理论+实操）
理论内容：（算法基础模块与框架介绍、代理模型自适应采样模块、代理模型建立模块） 实例操作： 微波双工器优化实例验证 |
|
|
九、基于自适应权重向量MOEA/D的微波滤波器件优化算法（理论+实操） 理论内容：（MOEA/D-ANWV、权重向量更新机制、总体算法框架） 实例操作: Ø 金属腔体滤波器的算法优化 Ø 金属腔体双工器的算法优化 |
|
|
十、微波滤波器件智能多目标辅助调试算法（理论+实操）
理论内容：（微波滤波器件智能辅助调试算法框架+微波滤波器件仿真调试验证） 实例操作： Ø 金属腔体滤波器的仿真智能调试 Ø 金属腔体双工器的仿真智能调试 |
|
|
十一、微波滤波器件智能多目标辅助调试算法（理论+实操）
理论内容：（基于自编码器代理模型和全连接神经网络的天线优化设计方案、AE-ANN天线优化设计方案整体框架、AE-ANN天线优化设计方案实现步骤） 实例操作： Ø “北斗”卫星微带贴片天线 Ø 数据集的获取和数据预处理 Ø 自编码器代理模型和全连接神经网络模型的搭建和训练 Ø 优化结果分析 |
|
|
十二、基于卷积自编码器代理模型和粒子群算法的天线优化设计（理论+实操）
理论内容：（CAE-PSO天线优化设计方案整体框架、CAE-PSO天线优化设计方案实现步骤） 实例操作： Ø 同轴馈电矩形微带天线 Ø 数据集的获取和数据预处理 Ø 卷积自编码器代理模型的搭建和训练 Ø 粒子群优化算法设计 Ø 优化结果分析 |
|
|
十三、电磁学时域有限差分法
Ø 时域有限差分法的基本方程 Ø 导数的差分近似 Ø 三维问题的FDTD更新方程 数值稳定性和色散 Ø 时域算法中的稳定性 Ø FDTD方法的CFL稳定条件 Ø 数值色散 在Yee网格中创建目标 Ø 目标的定义 Ø 媒质近似 Ø 创建媒质网格 有/无源集总参数电路 Ø FDTD中元件的更新公式 Ø 元件的定义、初始化和模拟 Ø 正弦波电源激励的电阻 激励源与时频变换 Ø 常用FDTD仿真波形 Ø 激励源的定义和初始化 Ø 时城与频域的相互变换 散射参量 Ø S参量和回波损耗的定义 Ø S参数的计算 Ø 1/4波长变换器 卷积完美匹配层 Ø CPML的公式及算法 Ø CPML参数分布 Ø 微带线的S参数 |
部分案例图示：
机器学习赋能的智能光子学器件系统研究与应用
|
课程背景 |
||
|
课程针对希望了解和掌握在集成光学/空间光学方面的器件、系统和算法结合应用的科研人员及开发者。课程主要为光子学与机器学习的交叉学科理论讲解与结合案例实操的技术讲解，以期衔接常见机器学习模型及框架的使用与各种光学器件和系统实际应用中的间隔。先介绍常用的光子学仿真设计手段与基于 Python 语言的机器学习框架，讲解机器学习的基本算法与当前实用的几种深度学习网络架构，并结合前沿的文献案例进行示例演示与练习，案例涵盖 Science 等顶刊（开阔视野）与科研中较为实用的期刊（难度适中，便于快速掌握及取得成果），有利于短期及中长期的科研和开发流程。最后针对讲解当前最新的前沿进展应用，抛砖引玉，增进对于机器学习在光子学中的应用的深度理解。 |
||
|
智能光子学绪论 |
1.1 空间光学系统与集成微纳光子学系统概论
1.2 机器学习和人工智能的基本概念与发展历程 1.3 机器学习方法在光子学设计中的应用简介 1.4 光子学器件构建神经网络的应用简介 |
|
|
光子学器件仿真软件基础与器件逆向设计 |
2.1 光子学器件的主要设计目标和调控方法
2.2 Rsoft, Ansys optics 光子学仿真软件介绍与基本操作 2.3 时域有限差分方法与空间光场模拟 案例分析：传播相位与几何相位超构单元仿真与器件库提取与二维超构透镜设计与传播光场仿真 2.4 波导器件仿真与片上光学系统设计 案例分析：片上的超构单元仿真与光学参数提取 2.5 基于仿真软件的光子学逆向设计 Ø 光子学逆向设计的概念 Ø 基于粒子群算法的光学器件优化 Ø 基于伴随方法的光子学器件优化 案例分析：基于粒子群方法的耦合器设计 |
|
|
机器学习方法简介与 Python 软件基础 |
3.1 机器学习基础概念
3.2 监督学习与无监督学习 3.3 简单常用算法简介（如线性回归、SVM 等） 3.4 Python 编程基础 Ø Python 环境搭建与工具介绍（如 Jupyter Notebook） Ø 基本语法与数据结构 Ø NumPy 等库的使用 Ø 数据可视化工具（如 Matplotlib 等） Ø 深度学习框架 Pytorch 简介 |
|
|
常用的深度神经网络简介与 Python 实现 |
4.1 深度学习简介
4.2 神经网络基础概念与结构 4.3 深度学习的基本原理与训练过程 4.4 常用深度网络模型简介 Ø 全连接网络(FC） Ø 卷积神经网络（CNN） Ø 带历史记忆的网络（如 RNN） 4.5 案例分析：基于 Python 的几种神经网络构建 Ø 全连接网络 Ø 卷积神经网络 Ø U-Net 4.6 一个基本的全连接网络模型的搭建与训练 |
|
|
深度学习在微纳光子学中的应用 |
5.1 微纳光子器件的基本原理与常见结构
5.2 基于深度学习的光谱预测与逆向设计 案例分析：一维的和二维的全介质和金属 SPR 材料的光谱预测与逆向设计 5.3 基于机器学习的电磁近场预测和逆向设计 案例分析：介质超构表面的近场调控设计 5.4 基于深度学习的超构单元生成 案例分析：基于生成-对抗网络的电磁调控结构定制化生成 |
|
|
深度学习在其他光学系统中的应用 |
6.1 深度学习在多样化的光学系统中的应用概述
6.2 深度学习在计算成像中的应用 案例分析：深度学习增强的非线性光纤单像素成像系统 6.3 深度学习在图像处理中的应用 |
|
|
光子学器件赋能的深度神经网络应用 |
7.1 光子学器件在深度学习中的应用概述
7.2 基于光学矩阵-向量相乘的卷积加速器 7.3 衍射光学神经网络 案例分析：基于片上衍射神经网络的超构光学系统用于图像分类 7.4 光学神经网络的优势与挑战 |
|
|
机器学习与光子学的高阶应用介绍与未来展望 |
8.1 深度学习赋能光子芯片制造
案例分析：通过机器学习优化工艺容差与器件性能 8.2 机器学习赋能的传统光学仪器增强 案例分析：基于深度学习的高分辨红外热波段雷达 8.3 光子学硬件赋能的低功耗信息处理
文章来源于:电子工程师笔记 原文链接
| |