光学人的超级外挂！6大AI+光子学实战专题，从仿真到顶刊一气呵成！

作为一名光学工程研二“资深”搬砖人，我太懂咱们的痛了：理论公式一堆堆，仿真软件一个个，代码一行行……最可怕的是，明明做的是前沿方向，却总感觉在重复造轮子。

直到我看到了这六个光学专题课程！光学神经网络、超表面逆向设计、COMSOL、FDTD、智能成像、机器学习光子学——覆盖了从传统光学设计到最热门的AI+光子学交叉领域，简直是为我们光学人量身定制的“进阶大礼包”！

专题一：光学神经网络与人工智能应用（4天直播）

适合人群：想做Photonics for AI，发顶刊的同学

这个专题真的太前沿了，全是Science、Nature级别的成果：

衍射神经网络实战：从空间光到片上集成，手把手教你搭建光学神经网络
光学矩阵计算器：用MZI、MRR等构建光学深度神经网络，实现超高速计算
逆向设计超构神经网络：用智能算法设计超构表面，实现光场调控与信息处理一体化

讲师在ACS Photonics、Journal of Lightwave Technology上发了几十篇文章，还是多个顶刊的审稿人，跟着大佬学，少走多少弯路啊！

专题二：超表面逆向设计与应用（4天直播）

适合人群：做超构表面、超材料，想发高水平论文的同学

这个课程把超表面的设计和应用讲得透透的：

CST/FDTD双软件教学：从基础操作到高级应用，一站式掌握
电磁感应透明、连续谱中束缚态等热门现象的原理与仿真
五篇顶刊论文复现：Nano Letters、Light: Science & Applications上的工作拿来实战

博士讲师团队太强了，一位在海外名校毕业，主持多项国家基金；另一位在顶级期刊发表多篇论文，跟着学就对了！

专题三：COMSOL光学仿真全面教程（4天直播）

适合人群：被COMSOL虐过，想要系统掌握的同学

这个课程简直是我的救命恩人！20个案例覆盖光子学几乎所有方向：

光子晶体能带分析、拓扑边缘态、非线性增强——全是热门方向
微纳结构拓扑优化：用形状优化反设计波导滤波器，黑科技啊！
COMSOL with MATLAB联动：解决复杂建模和高级后处理问题

讲师在Nature Communications、Physical Review Letters上发过文章，经验丰富，教你避开各种坑！

专题四：FDTD Solutions全面教程（4天直播）

适合人群：用FDTD做超构表面、光束操控的同学

FDTD用得好，发文章没烦恼！这个课程特色很鲜明：

超构表面全流程设计：从单元扫描到相位分布，从近场计算到远场分析
十四个仿真实例：涡旋光斑、Airy光束、波导设计，应有尽有
六篇顶刊论文复现：包括Science、ACS Nano等期刊的工作

985博士团队主讲，在Light: Science & Applications等顶刊发表多篇论文，实战经验丰富！

专题五：智能光学计算成像技术与应用（4天直播）

适合人群：做计算成像、图像处理，想用AI提升性能的同学

这个课程把传统光学成像和AI结合得太巧妙了：

压缩感知成像：用神经网络实现单像素成像，降低成本提升性能
高光谱成像：基于深度学习的光谱重建，实现超高分辨率
端到端联合设计：光学系统和算法协同优化，1+1>2的效果！

讲师来自985重点高校，担任多个光子学期刊审稿人，理论和实践都很强！

专题六：机器学习赋能的智能光子学（4天直播）

适合人群：想系统掌握AI+光子学交叉研究的同学

这可能是最全面的AI+光子学课程了：

光子学逆向设计：用粒子群算法、拓扑优化方法设计光分束器
深度学习光谱预测：用CNN、U-Net等网络预测光学响应
光学神经网络构建：用光子器件搭建神经网络处理器

课程案例超级丰富，从基础到前沿，从小白到高手一路通关！

为什么光学人要学这些？

发文章利器：AI+光子学是当前最大热点，容易出创新性成果
提升效率：掌握仿真技巧和AI方法，科研效率翻倍
拓展方向：从传统光学扩展到交叉领域，就业面更广
紧跟前沿：这些技术都是工业界和学术界急需的

我们实验室的师兄学了专题三后，之前卡了半年的COMSOL问题一下就解决了，现在仿真速度飞快！还有个同学学了专题一后，已经开始写光学神经网络的论文了，真是羡慕嫉妒恨啊！

个人真心话

说实话，作为学生，我们都希望早点出成果、顺利毕业。但这些软件和理论自学起来真的费时费力，有个好老师带着，真的能事半功倍！

这些课程都在下半年开课，现在规划正合适！我已经拉着实验室的小伙伴准备组团报名了，毕竟人多力量大，还能互相讨论。

光学人的春天来了，小伙伴们还在等什么？一起冲鸭！

专题一：光学神经网络与人工智能应用
光学神经网络导论	☆ 光学神经网络的概念和典型应用场景（神经网络/信息处理/光计算/异构计算等） ☆ 常见的光学神经网络及相关工作 ☆ 空间光学上的——离散光学元件与网络 ☆ 单片集成网络 ☆ 异质集成网络与系统

Photonics for AI 的基本设计流程——以一个衍射神经网络为例	☆ 衍射神经网络的概念和基本设计流程分析 ☆ 光子器件设计基础 ☆ 神经网络基础知识简介 ☆ 光子-AI耦合设计
空间光衍射神经网络	☆ 前沿论文导读（Science 361.6406 (2018)） ☆ 衍射计算基础与角谱传播方法 ☆ 衍射神经网络基础 ☆ 网络训练方法与器件实现实践 ☆ 相关热点工作介绍与头脑风暴（Smart glass，智能相机等）
片上衍射神经网络	☆ 前沿论文导读（Nature communications 13.1 (2022)） ☆ 片上衍射神经网络计算与建模基础 ☆ 仿真软件建模方法与神经网络训练方法 ☆ 相关热点工作介绍与头脑风暴（多模衍射神经网络，分类器等）
光学矩阵-向量乘法器与光学深度神经网络	☆ 前沿论文导读（Nature Photonics 17.12 (2023), Nature photonics 11.7 (2017)） ☆ 空间与集成光学深度神经网络基础 ☆ 计算单元器件介绍（MZI，MRR等） ☆ 仿真方法（散射矩阵，建模软件等） ☆ 典型工作与初步商业化产品介绍 ☆ 相关热点工作介绍与头脑风暴（神经网络光学协处理器等）
逆向设计超构神经网络	☆ 前沿论文导读（Nature Photonics 18.5 (2024), arXiv:2506.06150 (2025)） ☆ 逆向设计介绍与逆向设计软件实现方法 ☆ 基于逆向设计的超构神经网络 ☆ 相关热点工作介绍与头脑风暴
光学自动编码器与光学生成-对抗网络	☆ 前沿论文导读（Nature communications 15.1 (2024)） ☆ 自动编码器与生成-对抗网络简介 ☆ 光学生成-对抗网络解读 ☆ 相关热点工作介绍与头脑风暴
光学非线性激活函数	☆ 前沿论文导读（IEEE JSTQE 26.1 (2019), Advanced Materials 35.11 (2023)） ☆ 非线性激活函数对神经网络的重要性 ☆ 电光与全光激活函数 ☆ 光学激活函数与神经网络性能评估 ☆ 相关热点工作介绍与头脑风暴

部分案例图示：

专题二：超表面逆向设计及前沿应用（从基础入门到论文复现）
目录	课程内容
第一部分	1.超表面概述 1.1.超表面基础和应用 1.2.超表面逆向设计概述 2.基于CST电磁仿真软件基础 2.1.CST Microwave Studio电磁仿真软件介绍 2.2.CST电磁仿真软件使用和基本操作 3.具体案例操作1：双频段带通滤波器的建模与仿真分析 3.1.运行新建工程 3.2.建立仿真模型 3.3.设置运行条件 3.4.查看并处理仿真结果 4.具体案例操作2：太赫兹吸波器的建模与仿真分析 4.1.运行新建工程 4.2.建立仿真模型 4.3.设置运行条件 4.4.查看并处理仿真结果
第二部分	5.超表面的耦合模理论 5.1 耦合模理论简介 5.2 超表面耦合模理论基本物理参数 5.3 超表面耦合模方程和透射谱等参数计算 6.基于超表面实现电磁感应透明（EIT） 6.1 超表面电磁感应透明理论分析 6.2 太赫兹超表面电磁感应透明仿真模拟和分析案例分析1：基于超表面实现电磁感应透明（EIT）论文复现和讲解 7.基于超表面实现连续谱中束缚态（BIC） 7.1 连续谱中束缚态理论分析 7.2 连续谱中束缚态仿真模拟和分析案例分析2：基于超表面实现连续谱中束缚态（BIC）论文复现和讲解
第三部分	8.基于耦合模理论的超表面逆向设计 8.1 基于耦合模理论逆向设计连续谱中束缚态吸波器 8.1.1 理论基础和分析 8.1.2 仿真模拟和分析案列分析3：基于耦合模理论逆向设计连续谱中束缚态吸波器论文复现和分析 8.2 基于耦合模理论逆向设计连续谱中束缚态高Q器件 8.2.1 理论基础和分析 8.2.2 仿真模拟和分析案例分析4：基于耦合模理论逆向设计连续谱中束缚态高Q器件论文复现和分析 9.太赫兹超表面透射谱实验理论讲解 9.1 太赫兹波发射源 9.2 太赫兹远场时域系统
第四部分	10.FDTD超表面正向设计基础入门 10.1 Lumopt基本介绍 10.2 超表面子单元扫描 10.3 超构透镜设计与性能测试 11.FDTD超表面逆向设计基础入门 11.1 FDTD与Python环境配置 11.2 伴随法与拓扑优化介绍 11.3 梯度下降算法以及遗传算法介绍
第五部分	12.FDTD仿真实例（一）利用Python调用Lumerical FDTD （二）在Python中编写FDTD仿真文件（三）逆向设计仿真文件设置（四）基于拓扑优化的超表面颜色路由器件详解（五）利用等值线法导出逆向设计GDS文件
第六部分	13.模拟论文复现（一）基于拓扑优化的超表面大角度聚合器设计 ----（根据发表在NANO LETTERS上的论文）（二）超表面消色差聚合器设计 ----(根据发表在NANO LETTERS上的论文) （三）超表面偏振转换器件设计 ----（根据发表在Chinese optics letters 上的论文）（四）基于形状优化的梯度超表面设计 ----（根据发表在Light&Science Application 上的论文）（五）基于遗传算法的超表面设计 ----（根据发表在Opto-Electronic Science 上的论文）

专题三：COMSOL光学仿真：光子学与电磁学应用案例解析与实战
（一）案列应用实操教学：
案例一	光子晶体能带分析、能谱计算、光纤模态计算、微腔腔膜求解

案例二	类比凝聚态领域魔角石墨烯的moiré 光子晶体建模以及物理分析
案例三	传播表面等离激元和表面等离激元光栅等
案例四	超材料和超表面仿真设计，周期性超表面透射反射分析
案例五	光力、光扭矩、光镊力势场计算
案例六	波导模型（表面等离激元、石墨烯等）本征模式分析、各种类型波导传输效率求解
案例七	光-热耦合案例
案例八	天线模型
案例九	二维材料如石墨烯建模
案例十	基于微纳结构的电场增强生物探测
案例十一	散射体的散射，吸收和消光截面的计算
案例十二	拓扑光子学：拓扑边缘态和高阶拓扑角态应用仿真
案例十三	二硫化钼的拉曼散射
案例十四	磁化的等离子体、各向异性的液晶、手性介质的仿真
案例十五	光学系统的连续谱束缚态
案例十六	片上微纳结构拓扑优化设计(特殊情况下，利用二维系统来有效优化三维问题)
案例十七	形状优化反设计：利用形状优化设计波导带通滤波器
案例十八	非厄米光学系统的奇异点：包括PT对称波导结构和光子晶体板系统等
案例十九	微纳结构的非线性增强效应，以及共振模式的多极展开分析
案例二十	学员感兴趣的其他案例
（二）软件操作系统教学：
COMSOL 软件入门	初识COMSOL仿真——以多个具体的案例建立COMSOL仿真框架，建立COMSOL仿真思路，熟悉软件的使用方法
	COMSOL软件基本操作 Ø 参数，变量，探针等设置方法、几何建模 Ø 基本函数设置方法，如插值函数、解析函数、分段函数等 Ø 特殊函数的设置方法，如积分、求极值、求平均值等 Ø 高效的网格划分
	前处理和后处理的技巧讲解 Ø 特殊变量的定义，如散射截面，微腔模式体积等 Ø 如何利用软件的绘图功能绘制不同类型的数据图和动画 Ø 数据和动画导出 Ø 不同类型求解器的使用场景和方法
COMSOL 软件进阶	COMSOL中RF、波动光学模块仿真基础 Ø COMSOL中求解电磁场的步骤 Ø RF、波动光学模块的应用领域
	RF、波动光学模块内置方程解析推导 Ø 亥姆霍兹方程在COMSOL中的求解形式 Ø RF方程弱形式解析，以及修改方法(模拟特殊本构关系的物质) Ø 深入探索从模拟中获得的结果（如电磁场分布、功率损耗、传输和反射、阻抗和品质因子等）
	边界条件和域条件的使用方法 Ø 完美磁导体和完美电导体的作用和使用场景 Ø 阻抗边界条件、过度边界条件、散射边界条件、周期性边界条件的作用 Ø 求解域条件：完美匹配层的理论基础和使用场景、 PML网格划分标准 Ø 远场域和背景场域的使用 Ø 端口使用场景和方法 Ø 波束包络物理场的使用详解
	波源设置 Ø 散射边界和端口边界的使用方法和技巧（波失方向和极化方向设置、S参数、反射率和透射率的计算和提取、高阶衍射通道反射投射效率的计算） Ø 频域计算、时域计算 Ø 点源，如电偶极子和磁偶极子的使用方法
	材料设置 Ø 计算模拟中各向同性，各向异性，金属介电和非线性等材料的设置 Ø 二维材料，如石墨烯、MoS2的设置 Ø 特殊本构关系材料的计算模拟(需要修改内置的弱表达式)
	网格设置 Ø 精确仿真电磁场所需的网格划分标准 Ø 网格的优化 Ø 案列教学
	COMSOL WITH MATLAB功能简介 Ø COMSOL WITH MATLAB 进行复杂的物理场或者集合模型的建立(如超表面波前的衍射计算) Ø COMSOL WITH MATLAB 进行复杂函数的设置(如石墨烯电导函数的设置和仿真) Ø COMSOL WITH MATLAB 进行高级求解运算和后处理 Ø COMSOL WITH MATLAB求解具有色散材料的能带

部分案例图展示：

专题四：FDTD Solutions仿真全面教程：超构表面与光束操控的前沿探索
目录	内容
FDTD基础入门	1、FDTD Solutions 求解物理问题的方法 1.1 FDTD与麦克斯韦方程 1.2 FDTD中的网格化 2、FDTD Solutions 特点与应用 3、FDTD功能与使用 Ø 主窗口——CAD人机交互界面 Ø 计算机辅助设计（CAD）模拟编辑器:主标题栏、工具条、实体对象树实体对象库、脚本提示与脚本编辑窗口
FDTD仿真流程	4、FDTD仿真通用流程 Ø 激励光源选择及设置（以左旋圆偏光的设置为例） Ø 模拟的实体对象：基底、结构（Structures）的选择及设置 Ø 仿真区域及其设置（以区域大小设置及mesh选择为例） Ø 不同监视器功能及使用（以超构表面频域功率监视器设置为例） Ø 材料库与材料浏览器（以多晶硅与二氧化钛的数据导入为例） Ø 模拟计算与分析：资源管理、运行模拟 Ø 结果分析：视觉化器使用Visualize、使用脚本进行高级分析
FDTD仿真实例	实例内容：（一）设置Pancharatnam–Berry型超构表面结构，单元旋向及位置（二）传输型超构表面单元的结构扫描与选取（三）传输型超构表面的相位分布设置（四）通过相位叠加螺旋相位模拟生成漩涡光（五）超构表面的透过率/聚焦效率的分析（六）不同偏振态的光入射下，验证传输型超构表面偏振不敏感性（七）利用脚本由近场计算远场（八）利用脚本的导出结果及MATLAB结果分析—偏振转换效率计算（九）利用TFSF计算纳米结构散射场信息（十）利用TFSF和自定义材料计算复合结构散射场信息（十一）利用MATLAB计算结果及脚本设置超构表面—生成全息图形（十二）利用导入光源进行任意光源设置（十三）利用脚本构建波导结构（十四）波导截面本征模式分析（十五）光栅优化扫描设计
模拟论文复现	5、PB型超构表面设计：生成聚焦及涡旋光斑 ----（根据发表在Science上的论文 6、PB型超构表面设计：生成Airy光束 ----（根据发表在ACS NANO上的论文） 7、传输型超构表面设计：生成Airy光束 ----（根据发表在Photonics Research上的论文） 8、等离子激元纳米结构光学特性以及有效介质理论计算复合结构的光学特性：量化散射截面与吸收截面（根据发表在ACS Nano上的论文） 9、渐变耦合双波导设计：波导本征模式转换（根据发表在Physical Review Letters上的论文） 10 L型截面波导设计：不同偏振波导本征模式转换（根据发表在Physical Review Letters上的论文）

部分案例图展示：

专题五：智能光学计算成像技术与应用
光学计算成像导论	1.计算成像的概念与现状 2.生活与科研中的典型应用场景 3.光学计算成像与计算摄影 4.深度学习增强的计算成像
图像基本概念及计算成像理论基础	1.颜色和光谱，图像在程序中的表示 2.图像传感器，成像物理模型与噪声 3.其他成像元件与光波波前分析方法 4.常见图像描述方法与图像处理流程 5.图像重构理论基础 6.一般计算成像逆问题与求解方式 Ø 实例：Poisson blending of image
机器学习及Python软件基础	1.机器学习基础概念 2.监督学习与无监督学习 3.常用算法简介（如线性回归、多层感知机等） 3.1 Python 编程基础 3.2 Python 环境搭建与工具介绍 3.3 基本语法与数据结构 3.4 矩阵运算库NumPy与GPU运算库Cupy 3.5 数据可视化工具（ Matplotlib 等） 3.6 深度学习框架 PyTorch 与TensorFlow Ø 实践：用Numpy/cupy与matplotlib绘制分形图像
图像常用深度神经网络与PyTorch/TensorFlow实现	1.深度学习简介与神经网络基础概念 2.深度学习的基本原理与训练过程 3.常用基本深度网络模型简介 3.1全连接网络(FC） 3.2卷积神经网络（CNN） 3.3带历史记忆的网络（如RNN） 4.基于PyTorch与TensorFlow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 Ø Res-Net Ø 实践：基本的全连接网络模型与卷积神经网络的搭建与训练
图像的神经网络表示与ADMM图像重构	1.神经表示（Neural Representations）与位置嵌入（Positional Encoding） 2.神经渲染（Neural Rendering） 3.学习式重构（Learned Reconstruction）与应用介绍 4.用ADMM算法来求解正则化逆问题 Ø 实践：用 ADMM 算法来重构图像
常见的计算成像应用	1.图像去噪与解模糊 2.空域编码-解码成像（压缩感知、单像素成像）简介 3.时域编码-解码成像（飞行时间、非视域成像）简介 4.无透镜成像 4.1无透镜成像的概念与基础 Ø 点扩散函数（PSF）调控与无透镜成像: 散射成像实例
压缩感知和压缩编码成像	1.压缩感知与压缩成像理论 1.1基于多模光纤lantern的压缩计算成像讲解 Ø 实践：1D信号和2D图像的压缩感知重构 2.结构光照明和单像素成像理论 3.基于神经网络的单像素成像 3.1 基于神经网络的远场超分辨率鬼成像讲解 Ø 实践：基于多模光纤超快脉冲的单像素探测超快成像
高光谱成像	1.高光谱成像简介与理论知识 2.神经网络光谱成像 Ø 案例：具有高空间分辨率的宽带高光谱图像传感器（实践网络重构部分）
微纳光学计算成像	1.超构表面与微纳光学增强的计算成像简介 2.超构表面与相位获取成像 Ø 实例讲解：纳米光学高质量超构透镜成像（实践图像重构部分）
端到端光学算法联合设计	1.一般图像系统设计 2.端到端光学和图像处理系统设计 Ø 案例讲解：端到端的基于深度学习的散射介质散斑计算成像 Ø 综合实例讲解：用一个纯相位镜头的灰度图像到高光谱图像（超光谱/解模糊/深度学习/点扩散函数设计/压缩成像）

部分案例图展示：

专题六：机器学习赋能的光子学器件与系统：从创新设计到前沿应用
课程针对光子学方面的从业科研人员及开发者，希望了解和实践在集成光学/空间光学方面的器件、系统与智能算法及与机器学习结合的应用。课程通过对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，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在理论与实际应用中的间隔。课程特点：以经典和前沿的文献案例为索引，辅以设计的案例操作与案例分析，从基础到提高，启发学习者获得思路上的提升，以期获得自主思考与新课题设计能力。案例涵盖 Science 等顶刊（开阔视野）与科研中较为实用的期刊（Nature communication, Advanced material）精选难度适中的工作，便于快速掌握及取得成果，利于短期及中长期的科研和开发流程。动态穿插讲解前沿进展应用，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。
案例一机器学习光子学导论	1.1 空间光学系统与集成微纳光子学系统简介 1.2 为什么要在光学系统中引入机器学习方法 1.3 人工智能和机器学习方法的基本概念与历史 1.4 机器学习方法在光子学设计中的应用案例简介 1.5 基于光子学器件搭建的光学神经网络应用简介

光子器件仿真软件基础与基于优化方法的器件逆向设计	2.1 光子学器件的主要设计目标和调控思路 2.2 Ansys optics 光子学仿真软件操作简介与使用技巧案例操作：基于双贝塞尔曲线的紧凑多模光学波导弯曲案例操作：片上米散射结构色超构表面单元仿真 2.3 时域有限差分算法（FDTD）与空间传播器件模拟方法案例操作：传播相位与几何相位超构单元仿真与平面超构透镜设计 2.4 片上波导器件仿真与片上超构光学器件设计案例操作：片上的超构单元仿真与光学参数提取 2.5基于优化算法的光子学逆向设计 2.5.1 光子学逆向设计的概念与历史 2.5.2 基于粒子群算法的启发式光子学器件优化案例操作：基于粒子群算法的光分束器设计 2.5.3 扩展：其他启发式优化方法简介 2.5.4 基于梯度方法的光子学器件拓扑优化案例操作：基于拓扑优化方法的分束器设计
机器学习简介与 Python机器学习编程基础	3.1 机器学习基础概念 3.2 监督学习与无监督学习 3.3 简单常见机器学习算法简介（如线性回归、SVM 等） 3.4 Python 编程基础 Ø Python语言与特点简介 Ø 基本语法与特色数据结构（列表，元组，字典） Ø Numpy 科学计算库的使用 Ø 数据可视化工具Matplotlib 的使用案例操作：绘制函数与分形图形 3.5 深度学习框架 Pytorch和Tensorflow简介案例操作：回归算法的实现
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反向传播算法 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 案例操作：基于 Python 的几种神经网络实现 Ø 全连接网络 Ø 卷积神经网络 Ø U-Net 4.6 案例操作：一个手写数字识别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 材料的光谱预测案例操作：级联网络的超构表面单元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：大面积超构表面的近场预测与逆向设计 5.4 基于深度学习的超构单元生成案例操作：基于生成-对抗网络的自由超构表面单元生成
深度学习在多种光学系统中的应用	6.1 深度学习在多样化的光学系统中的应用简介 6.2 深度学习在计算成像中的应用案例操作：基于深度学习的非线性光纤单像素超高速成像 6.3 深度学习在图像处理中的应用
光子学器件构建的光学深度神经网络与应用	7.1 光子学器件构建的光学神经网络与应用 7.2 主动网络：光学矩阵-向量乘加运算器与光学神经网络加速器 7.3 被动网络：衍射光学神经网络案例操作：基于片上衍射神经网络的超构光学器件用于图像分类案例分析：基于衍射神经网络的太赫兹光学处理器（Science） 7.4 光学神经网络的优势与挑战总结
机器学习与光子学的更多应用介绍与未来展望	8.1 深度学习增强微纳光学芯片制造案例分析：通过机器学习优化工艺容差与器件性能 8.2 深度学习后处理——光学测量功能增强案例分析：基于深度学习的高分辨红外热波段雷达 8.3 非典型机器学习系统——万物皆可机器学习（Nature） * 主要为最新应用进展简介 —根据课程时间及进度灵活更新

部分案例图展示：

PS：课程具体安排和大纲内容太多了，文章里放不下，大家可以去优快云原链接查看，每个专题都有超多案例图和代码示例，诚意满满！

PPS：相信我，这绝对是今年最值得投资的光学课程，没有之一！

想象一下，当你能用Python轻松操控FDTD完成复杂仿真；当你能用神经网络逆向设计出性能炸裂的光子器件；当审稿人惊叹于你工作中“物理机理+AI驱动”的完美结合——那种在交叉领域游刃有余的成就感，才是科研最大的快乐！ 这笔投资，换来的不仅是几篇高质量的论文，更是一套让你在“AI+光子学”时代稳立潮头的核心竞争力。你的科研之路，值得这样一次彻底的“装备升级”！