|
第17届北京等贤深度学习光学设计培训班第一轮通知发布日期:2026年10月15日 培训简介 近年来,深度学习在光学设计领域的应用引起了广泛关注。随着光子学结构设计成为光电子器件和系统设计的核心,深度学习为这一领域带来了新的机遇和挑战。传统的光子学结构设计方法通常基于简化的物理解析模型及相关经验,这种方法虽然可以得到所需的光学响应,但效率低下且可能错过最佳设计参数。深度学习通过数据驱动的思想建模,从大量数据中学习研究目标的规律与特征,为解决光子学结构设计面临的问题提供了新方向。例如,深度学习可以用于预测和优化光子学结构的性能,实现更高效、更精确的设计。在光子学结构设计领域,深度学习已被应用于多个面。一方面,深度学习可以帮助设计超构材料、光子晶体、等离激元纳米结构等复杂的光子学结构,以满足高速光通信、高灵敏度传感和高效能收集及转换等应用需求。另一方面,深度学习还可以用于优化光学元件的性能,如透镜、反射镜等,以实现更好的成像质量和更高的光学效率。此外,深度学习在光学设计领域的应用还推动了其他相关技术的发展。例如,深度学习可以用于实现智能光学成像系统,通过自动调整光学元件的参数来适应不同的成像需求。同时,深度学习还可以用于实现高效的光学计算和信息处理,为光学计算和信息处理领域的发展提供了新的思路和方法。 培训目标 1.全面理解现代光学系统的建模体系,包括几何光学、标量衍射与电磁全波三个层次,并能判断各自的适用边界与失效条件 2.掌握角谱法等可微传播算子的实现与物理自检方法,能独立判断一个光学仿真结果是否可信 3.掌握 FDTD 与 COMSOL 有限元工具在光学器件中的完整建模流程、周期边界与端口设置及收敛性判据 4.掌握基于全波仿真构建训练数据集的流程、数据划分策略与跨求解器泛化评估方法 5.理解并能实现结构与响应之间的正向预测、反向建模与一致性建模框架,包括串联网络与生成式逆设计 6.掌握主动学习等采样策略,在有限仿真预算下高效构建高精度代理模型 7.掌握衍射神经网络的实现、训练与能力边界分析,能定量说明其线性性带来的表达能力上限 8.掌握面向可实现性的完整方法:量化感知训练、对准鲁棒训练、物理近似的全波校验、数字孪生与公差预算 9.熟练使用 PyTorch 及其工程生态(Lightning、Hydra、实验记录平台、混合精度、分布式、超参搜索)组织可复现的研究流程 10.掌握算法展开、即插即用与扩散先验等逆问题重建方法,并能对生成式结果做幻觉评估 11.掌握模型导出与推理加速的部署链路,能给出延迟、吞吐与精度损失的量化对比 12.完成从设计、建模、仿真验证、优化控制到部署交付的一体化实践流程,具备独立开展光学人工智能设计任务的能力 13.建立研究判断力:能识别一项成果中被高估的部分,主动为自己的结论配置对照实验与容差分析 培训授课讲师 主讲老师团队毕业于国家“985 工程”“211 工程”重点高校。目前在国外光学顶尖高校课题组,擅长深度学习、大模型与几何光学、波动光学、电磁建模与计算光学成像的交叉研究领域。近年来发表SCI论文15篇包括:TCI, TMM, TCSVT, TETCI, ICLR等,授权三项发明专利。研究方向包括:深度学习方法、大语言模型、深度光学设计、几何光学、波动光学、图像处理与计算机视觉、物理驱动的光学成像、跨模态成像研究等。担任TCSVT、TCI、SIVP等多个国际期刊审稿人 培训内容大纲 第一章 技术栈全景与 AI 工程基线 本章不讲光学,目的是让所有学员在同一套工程框架上起步。深度学习光学设计涉及的软件工具极为庞杂,学员最大的困惑往往不是某个算法看不懂,而是"这个问题该开哪个软件"。本章首先按"求解什么方程"把工具分为四层,建立起清晰的技术栈地图与选型决策逻辑;随后集中排查 PyTorch 复数张量与自动微分的典型陷阱——光学代码的错误有相当比例出在这里;最后建立全周共用的统一工程模板,把可微光学层、重建网络与目标函数抽象为三段式结构,并配套配置管理、实验记录、混合精度、分布式与超参搜索。本章的产出不是一个光学结果,而是一套能支撑后续五天四十余个实验的工程底座。 1.1 四层技术栈地图 1.1.1 第一层:电磁与光学求解器 1.1.2 第二层:可微光学框架 ● DeepLens:可微光线追迹与 ray-wave 混合模型,支持自动透镜设计与课程学习 ● TorchOptics:傅里叶光学库,元件齐全(透镜、相位/振幅调制器、探测器、偏振),适合与自写实现对拍 ● DFlat-pytorch:平面光学框架,含预训练 meta-atom 神经模型与 GDS 版图导出 ● Odak、SVETlANNa、LightPipes:分别面向计算光传输与全息、衍射神经网络、经典标量衍射教学 教学原则:第 1 天上午必须手写传播算子,写完立刻与 TorchOptics / LightPipes 对拍。不手写一遍,光学层永远是黑箱;对拍不通过,之后所有结论都不可信。 1.1.3 第三层:深度学习框架与训练工程 1.1.4 第四层:交付与部署 ● 模型导出与加速:torch.export / ONNX → TensorRT,实测延迟、吞吐与精度损失 ● 数字加工文件:gdstk(GDS 版图)、numpy-stl(STL 厚度图)、8-bit 灰度掩模 PNG ● 说明:本课程全部实验在计算机上完成,不依赖任何光学实验硬件;加工与调制器件相关内容仅以数字文件与误差模型的形式交付与验证 1.2 求解器与框架的选型决策逻辑 本节给出一张可直接张贴于实验室的决策表,回答"要算什么、要优化什么,就开哪个工具"。 1.3 PyTorch 复数张量与自动微分陷阱 ● 复数 autograd 采用 Wirtinger 导数约定;对实值损失,backward 得到的是共轭梯度,可直接用于梯度下降 ● abs() 在零点不可导,应改写为 sqrt(real² + imag² + 1e-12) ● angle() 在跨越 ±π 时梯度病态,回归相位一律改用 (cos φ, sin φ) 两通道表示 ● 相位参数应直接学 phase 而非 exp(j·phase),且训练中不得对 phase 取模,取模会切断梯度 ● FFT 的归一化约定(norm=ortho 与默认)会改变能量守恒检查的结果,全项目必须统一 1.4 统一工程模板:Lightning + Hydra + W&B 把所有实验抽象为三段式结构:可微光学层 optics、重建或任务网络 recon、目标函数 objective。仓库采用 configs / src / train.py 的标准布局,光学层、重建网络、数据集、训练器各自独立配置,通过 Hydra 组合。 ● 光学参数与网络参数必须分组设置学习率,通常相差约一百倍(光学 1e-2、网络 1e-4) ● 暖启动策略:前若干步冻结光学、只训网络,避免光学在网络尚未学会解码时被推向错误方向;实现为 Lightning 回调 ● 图必须记录:自定义回调每若干步上传相位图、三波长 PSF 与重建对比图。只看数值曲线会漏掉"PSF 已退化、网络在硬记数据集"这类问题 1.5 显存与速度:混合精度、编译与分布式 1.6 实践环节 ● L0.1 ★ 复数自动微分排雷:用 torch.autograd.gradcheck 验证最小光学层,要求全部通过,并能复述五类典型报错现象 ● L0.2 ★ 跑通统一模板:以恒等光学 + 小型 U-Net 的假任务,两分钟内完成一次调试运行,并在实验平台上看到图像记录 ● L0.3 ★ 显存与速度三件套:对同一任务测量四种加速组合的显存占用与单步耗时,说明为何 AMP 必须排除传播层 ● L0.4 ☆ 多卡 DDP:两卡训练一致性验证,理解光学参数的梯度同步机制 ● L0.5 ★ 配置化消融与超参搜索:完成一次 multirun 并自动汇总为结果表;完成一次 Optuna 搜索并输出重要性图。 第二章 可微分光学与端到端成像设计 本章建立全课程的物理基石:标量衍射传播的可微实现,以及"光学层—成像—重建网络—任务损失"的端到端优化范式。理论部分只讲写代码必须用到的内容——角谱法的传递函数、采样判据与带限处理、薄元近似下的高度—相位关系、含深度依赖的成像前向模型与噪声建模,以及梯度在整条链路上的传播路径。实践部分从手写并验证传播算子开始,与成熟开源库交叉对拍,随后比较四种衍射光学元件参数化方式(逐像素、Zernike、旋转对称、隐式神经表示),完成扩展景深的端到端联合优化,并用 DeepLens 体验折射与折衍混合系统的自动设计。本章特别设置了一个诚实性对照实验:固定随机光学元件只训练重建网络,用以分离"光学优化的贡献"与"网络本身很强"这两个混杂因素。 2.1 标量衍射理论与角谱传播 ● 角谱法传递函数的推导与实现;与菲涅耳传播两种实现(TF 与 IR)的适用距离比较 ● 倏逝波截断、能量守恒与傅里叶变换归一化约定 2.2 采样判据与带限传播 ● 最大空间频率与网格像元的关系;传播距离过大导致传递函数欠采样,从而产生物理上不存在的假条纹 ● 带限角谱法的频率截断准则及其工程实现;FFT 补零与循环卷积伪影的规避2.3 衍射光学元件建模与参数化 ● 薄元近似:高度与波长无关、相位与波长相关,这是所有消色差设计的着力点;材料色散的 Sellmeier 建模 ● 四种参数化方式的自由度、加工友好性与表达能力权衡:逐像素高度、Zernike 系数、旋转对称一维曲线、隐式神经表示(SIREN) 2.4 端到端成像模型与联合优化策略 ● 含深度依赖的点扩散函数、多波长成像卷积、泊松—高斯混合噪声与图像信号处理链路的可微性 ● 梯度路径与两个陷阱:点扩散函数的归一化方式会吃掉光效信息;FFT 卷积的边界处理 ● 训练策略:光学与网络的分组学习率、暖启动、正则项设计 2.5 折射与折衍混合系统的可微设计 ● 可微光线追迹与 ray-wave 混合模型;课程学习实现从平板玻璃出发的自动镜头设计 ● 纯波动模型忽略像差的代价:同一元件在两种模型下点扩散函数的差异 2.6 论文依据 ● Yang, Fu & Heidrich, Curriculum learning for ab initio deep learned refractive optics, Nature Communications 15:6572, 2024(DeepLens) ● Yang et al., End-to-End Hybrid Refractive-Diffractive Lens Design with Differentiable Ray-Wave Model, SIGGRAPH Asia 2024 ● Filipovich & Lvovsky, TorchOptics: An open-source Python library for differentiable Fourier optics simulations, arXiv:2411.18591, 20242. 7 实践环节 ● L1.1 ★ 手写角谱传播算子并通过三项物理自检:圆孔远场与解析艾里斑对比(主瓣半径误差小于 2%)、能量守恒(相对误差小于 1e-3)、正反传播复原(均方误差小于 1e-6) ● L1.2 ★ 与 TorchOptics、LightPipes 三方对拍,同一算例强度分布相对误差小于 1% ● L1.3 ★ 四种参数化方式的横向对比:同一任务各训练 15 分钟,比较峰值信噪比、高度图粗糙度与最小特征尺寸 ● L1.4 ★ 扩展景深端到端联合优化:0.5–5 米深度范围、RGB 三波长、DIV2K 数据集、U-Net 重建 ● L1.5 ★ 诚实性对照实验:固定随机衍射元件只训练网络,与理想透镜、优化元件三方并列;若优化增益小于 0.5 dB 必须在汇报中明确写出 ● L1.6 ★ 用 Optuna 搜索正则权重与暖启动步数,输出超参重要性图 ● L1.7 ★ DeepLens 上手:手机镜头点列图与调制传递函数、课程学习自动设计、ray-wave 混合模型对比 ● L1.8 ☆ 高动态范围编码成像的简化复现,观察优化后点扩散函数的旁瓣结构 ● L1.9 ◆ 挑战题:把损失从图像质量换成下游分类精度,解释衍射元件形态的变化 第三章 衍射神经网络与全光计算 本章复现衍射深度神经网络这一全光计算的代表性工作,并系统讨论其能力边界。理论部分必须讲透一个核心事实:纯相位调制加线性自由空间传播,整个网络等价于一个线性算子,堆叠层数并不增加函数类,只是丰富了可实现矩阵的集合——这解释了为什么层数收益会迅速饱和,也决定了后续引入非线性与光电混合架构的必要性。实践部分从核心层实现与单元测试开始,完成手写数字分类的复现,并借助配置化工具一次性跑完上百组消融。本章设置的谱分析实验要求学员把训练好的网络展开为显式矩阵并做奇异值分解,直观地量化其有效秩;此外还将任务从分类扩展到全光定量相位成像与任意线性变换,帮助学员理解衍射网络真正擅长的问题类型。 3.1 衍射神经网络的架构与物理量纲 ● 多层相位掩模与层间自由传播;输出面探测区划分与判决规则 ● 太赫兹版(波长 0.75 毫米、神经元 0.4 毫米)与可见光版(波长 532 纳米、神经元 8 微米,对应空间光调制器像元)两套参数体系 ● 神经元尺寸下限、层间距对耦合与视场的影响 3.2 线性性分析与能力边界 ● 等价线性算子的形式化表述;层数、神经元数与可实现矩阵集合的关系 ● 能量效率与对比度:两个常被论文省略但决定实验成败的物理指标 3.3 损失函数与训练配置 ● 均方误差对齐 one-hot 能量分布(原论文方案)与探测区能量交叉熵两种损失的物理含义差异 ● 输入编码方式(振幅编码与相位编码)、相位初始化策略、相位参数的大学习率设置 3.4 从分类到成像:衍射网络的其他任务 ● 全光定量相位成像:输入相位物体,输出强度正比于相位 ● 任意线性变换的实现:训练网络逼近指定矩阵,考察相对误差随层数的下降曲线 ● 波长与偏振复用的多任务方案;傅里叶域调制的参数效率 3.5 论文依据 ● Lin et al., All-optical machine learning using diffractive deep neural networks, Science 361:1004–1008, 2018 ● Mengu et al., Analysis of diffractive optical neural networks and their integration with electronic neural networks, IEEE JSTQE 26(1), 2020 ● Li et al., Class-specific differential detection in diffractive optical neural networks improves inference accuracy, Advanced Photonics 1(4):046001, 2019 3.6 实践环节 ● L2.1 ★ 衍射层实现与单元测试:零相位等价于纯传播、无吸收下能量守恒、梯度检查通过、批维度独立性,四项测试须以 pytest 形式提交 ● L2.2 ★ 手写数字分类复现:五层相位型网络,提交混淆矩阵、各层相位图、十类输出面强度图,以及能量效率与对比度两项物理指标 ● L2.3 ★ 大规模消融:层数、神经元数、层间距、输入编码四因子共上百组,用配置化多组运行一次性完成,输出四面板曲线图 ● L2.4 ★ 等效线性算子谱分析:将网络展开为显式矩阵并做奇异值分解,比较有效秩与无约束线性层、电子单层分类器的差异 ● L2.5 ★ 超越分类的任务:全光定量相位成像、任意线性变换、波长复用多任务三选一 ● L2.6 ☆ 傅里叶域衍射网络:比较空域与频域调制的参数效率 第四章 面向可实现性的设计:容差、鲁棒、全波校验与光电混合 本章解决"仿真里 98%、实际系统里 85%"这一普遍问题,是全课程信息密度最高的一天。内容分为四条线索:其一是制造约束,通过量化感知训练与最小特征尺寸约束,评估台阶数对精度的实际影响;其二是对准鲁棒性,将横向、轴向、旋转误差参数化并注入训练,本质上是结构化数据增强与域随机化;其三是物理近似的全波校验,用 FDTD 与有限元方法检验薄元近似在亚波长尺度下是否成立,并把全波结果做成可微查找表回灌到网络训练中;其四是数字孪生与光电混合架构,把上述各类误差合成为一个不可微的伪实测前向,在其上比较代理梯度等训练策略,并讨论全光前端与电子后端的分工权衡。本章全部内容在计算机上完成,不依赖任何光学实验硬件:所谓"走向硬件"在本课程中体现为误差建模、公差预算与数字加工文件的交付。本章最后要求学员完成一份系统级能耗与吞吐核算,允许并鼓励得出"在该规模下光学方案不划算"的结论——这正是课程要培养的判断力。 4.1 制造约束与量化感知训练 ● 台阶数、最小特征尺寸、面型误差、材料吸收与色散对相位实现精度的影响 ● 直通估计器实现的量化感知训练及其梯度偏差;训练后量化与量化感知训练的对比 4.2 对准误差建模与鲁棒训练 ● 横向平移、轴向偏移、面内旋转、层间倾斜的可微参数化;亚像素平移用频域相位斜坡实现● 课程式误差注入:误差幅度从零线性上升;本质是结构化数据增强与域随机化 4.3 薄元近似的全波校验衍射神经网络的全部仿真都建立在一个未经检验的假设之上:每个神经元是纯相位屏。而太赫兹方案的神经元尺寸仅约 0.53 个波长,该假设并不成立。本节用 Meep 与 COMSOL 对同一相位像素做周期单元仿真,量化真实相位延迟与解析公式的偏差,并给出两条应对路径。 ● 全波流程要点:周期边界设置、先做空腔归一化再做含结构仿真(跳过归一化是最常见错误)、收敛性自查 ● 应对路径一(改设计):将神经元放大到两倍波长后重新校验 ● 应对路径二(改模型):把全波结果做成可微相位查找表,替换解析公式后重训网络 4.4 光电混合架构与差分探测 ● 非线性的三条路径:光电混合、材料非线性、强度探测的平方律(后者仅在输出面提供一次非线性,必须如实说明) ● 同等运算预算下三种配置的横向对比,以及等效纯电子网络所需参数量的换算 4.5 数字孪生与代理梯度:不可微前向的处理范式 ● 构造数字孪生前向:把量化误差、对准误差、全波相位偏差与探测噪声合成为一个不可微的伪实测系统 ● 前向走数字孪生、反向用可微理想模型的代理梯度范式;有限差分式原位训练的查询次数代价 ● 三种策略(纯理想仿真、代理梯度微调、有限差分原位)在数字孪生上的收敛对比;该范式可迁移到任何不可微前向的工程问题 4.6 数字加工文件与公差预算 ● 相位到厚度的换算与加工分辨率量化;STL 与 8-bit 灰度掩模的生成规则;调制器件伽马非线性的建模方式(以查找表形式纳入前向,不做实机标定) ● 公差预算:由目标精度反推各误差源(台阶数、最小特征、横向与轴向对准、相位定标)的允许范围,形成一份可交付给加工方与装配方的预算表 4.7 论文依据 ● Mengu et al., Misalignment resilient diffractive optical networks, Nanophotonics 9(13):4207, 2020 ● Li et al., Class-specific differential detection..., Advanced Photonics 1(4), 2019 ● Wei et al., Spatially varying nanophotonic neural networks, Science Advances 10:eadp0391, 2024 4.8 实践环节 ● L3.1 ★ 量化感知训练:给出 4/8/16/32 级与无量化的精度曲线,量化感知训练需回收不少于 50% 的量化损失 ● L3.2 ★ 对准鲁棒训练:提交基线与鲁棒模型两张热力图(横轴横向误差 0–3 个神经元、纵轴轴向误差 ±5%) ● L3.3 ★ 薄元近似全波校验(Meep / COMSOL):提交解析预测与全波结果的相位偏差图,并完成查找表重训 ● L3.4 ★ 光电混合与差分探测:三配置对照表,含精度、电子端参数量与等效纯电子网络参数量 ● L3.5 ☆ 可重构衍射网络:固定前端加可重写末层,实现双任务共享,报告共享带来的精度代价 ● L3.6 ★ 数字孪生与代理梯度训练:构造伪实测前向,比较三种策略的精度—训练步数曲线,并给出原位式训练的查询次数代价估计 第五章 多求解器电磁仿真与超构表面深度学习逆设计 本章建立"全波做真值、可微代理做优化"的工程范式。首先必须讲清楚为什么不能把 FDTD 或有限元求解器直接放进训练循环:一次三维单元求解在十秒至数分钟量级,而端到端训练需要十万至百万次前向;伴随法虽能提供梯度,但单步成本仍比代理模型高三到四个数量级,只在单器件拓扑优化中用得起。因此全波求解器在本课程中承担三个角色——真值发生器、交叉裁判与全波终检。实践部分依次完成同一单元结构在 RCWA、FDTD 与有限元三种方法下的交叉校验,COMSOL 图形界面建模与 Python 批量扫描出库,含不确定性的代理模型训练,基于不确定性的主动学习采样,三种逆设计路线的横向对比,以及全程 PyTorch 的端到端超透镜成像与版图导出。 5.1 三类求解器的数值本质与适用边界 5.2 周期边界、端口与收敛性判据 ● Floquet 周期边界与周期端口;透射复系数由散射参数提取,参考面位置必须三方统一,否则相位可差数十度 ● 收敛性三件套:网格密度(不低于波长除以六倍最大折射率)、吸收边界层数与距离、时域仿真时长(场衰减至峰值的十万分之一)任何一项收敛性不达标,产出的数据集本身就是错的,后续模型训练再好也没有意义。因此本章的第一个硬性要求是收敛性自查,不允许调参凑数。 5.3 两个近似及其失效条件 ● 薄元近似:特征尺寸接近波长时失效 ● 局部周期近似:相位梯度大的区域(超透镜边缘、高数值孔径、斜入射)失效;中心区误差近零而边缘可达十几度 5.4 代理建模、主动学习与逆设计路线 ● 代理模型:输入几何与波长、输出复振幅;相位必须以 (cos φ, sin φ) 双通道回归,不可直接回归相位值 ● 不确定性估计与主动学习:用集成方差挑选下一个待仿真点,显著降低全波调用次数 5.5 论文依据 ● Peurifoy et al., Nanophotonic particle simulation and inverse design using artificial neural networks, Science Advances 4:eaar4206, 2018 ● Liu et al., Training deep neural networks for the inverse design of nanophotonic structures, ACS Photonics 5:1365, 2018 ● Tseng et al., Neural nano-optics for high-quality thin lens imaging, Nature Communications 12:6493, 2021(官方代码为 TensorFlow 实现,本课程仅作参考阅读,运行路线全部改为 PyTorch )● Hazineh et al., D-Flat: A differentiable flat-optics framework, ICCP 2023 ● Kim & Lee, TORCWA: GPU-accelerated Fourier modal method and gradient-based optimization for metasurface design, Computer Physics Communications 282:108552, 2023 ● Oskooi et al., Meep: A flexible free-software package for electromagnetic simulations by the FDTD method, Computer Physics Communications 181:687, 2010 ● Hughes et al., Adjoint method and inverse design for nonlinear nanophotonic devices, ACS Photonics 5:4781, 2018 ● Molesky et al., Inverse design in nanophotonics, Nature Photonics 12:659, 2018(综述,建议课前阅读) ● Inverse Design of Diffractive Metasurfaces Using Diffusion Models, ACS Photonics, 2026 5.6 实践环节 ● L4.1 ★ 三求解器交叉校验:统一算例为二氧化硅衬底上的二氧化钛圆柱(周期 350 纳米、高 600 纳米、直径 150 纳米、波长 530 纳米)。TORCWA 需完成傅里叶阶数收敛测试;教学级 FDTD 用于直观理解 Yee 更新与柯朗稳定条件;Meep 需先做空腔归一化 ● L4.2 ★ COMSOL 建模(图形界面十步流程):波动光学电磁波频域接口、周期端口与 Floquet 周期条件、衍射级子节点、网格与收敛性双项自查、导出散射参数 ● L4.3 ★ MPh 驱动批量扫描:以直径与波长为全局参数,扫描 120 个直径与 3 个波长,输出数据表并与 TORCWA 曲线叠加报告均方根误差 ● L4.4 ☆ Lumerical 脚本化建模(有授权时),加入四方对拍表 ● L4.5 ★ 代理模型训练:双通道相位回归、傅里叶特征编码、五模型集成给出不确定性;按直径分层留出验证集 ● L4.6 ★ 主动学习采样:以集成方差挑选下一批仿真点,与均匀采样、随机采样对比达到目标精度所需的仿真点数 ● L4.7 ★ 跨求解器泛化实验:以一种求解器的数据训练、另一种测试,量化分布外误差 ● L4.8 ★ 三种逆设计路线横向对比:相位误差、解的多样性与生成耗时三项指标,对照组为查表最近邻 ● L4.9 ★ 端到端超透镜成像(全程 PyTorch):低阶多项式相位参数化、可微串联网络与代理模型、三波长成像与重建网络联合训练,并导出 GDS 版图 课程特色及授课方式 线上授课时间和地点自由,建立专业课程群进行实时答疑解惑,理论+实操授课方式结合大量实战案例与项目演练,聚焦人工智能技术在计算光学设计领域的最新研究进展,课前发送全部学习资料,课程提供全程答疑解惑;完全贴合学员需求的课程体系设计,定期更新的前沿案例,由浅入深式讲解,课后提供无限次回放视频,免费赠送二次学习,发送全部案例资料,永不解散的课程群,可以与相同领域内的老师同学互动交流问题,让求知的路上不再孤单! 增值服务 1、凡参加人员将获得本次课程学习资料及所有案例模型文件; 2、课程结束可获得本次所学专题全部回放视频; 3、课程会定期更新前沿内容,参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程(任意一期) 课程会议完毕后老师长期解疑,课程群不解散,往期会议学员对于会议质量和授课方式一致评价极高! 学员对于会议答疑给予高度评价! 课程费用 每人每班:4980元 往届学员的优惠:为便于往届学员获得后来历届培训里增加的大量新知识,,参加过以往任意一届北京等贤培训班的学员可享受8折优惠!报名时请主动在邮件里说明。 报名方式
联系人:陈老师 咨询电话:15652523032(微信同号) 相关事项(必读!) 1、每个学员在报名后都会提供盖有公章的邀请函。 2、若有任何问题需要咨询或沟通,请发送邮件至13141346157@qq.com。 3、郑重声明:北京等贤的培训讲义、录音以及培训中提供的一切电子资料,皆仅限学员自己学习使用,严禁私下复制、传播、盗卖,不得发布至网络上公开平台,否则必将被严厉追究法律责任、要求赔偿经济损失,情节严重的还将在网络上予以公示、向涉事者所在学校/单位进行通报。报名本培训视为认可本条款。 4、报名后允许取消报名,决定取消报名时应尽早通知我们。如果在报名后因为不可抗力而不得不取消报名,一次无妨,但如果反复出现多次在报名后又取消报名的情况(特别是到了培训快开始,我们发催款通知后才说要取消报名),将会影响信誉,导致在报名未来北京等贤的培训时降低受理的优先级,或者不再接受。如果报名后,我们尝试通过报名表中的各种联系方式联系报名者但经过数日都没有收到任何回复,本次报名将作废,且报名未来的培训时将不再受理。我们希望发来报名表的都是真心要参加培训学习知识的人,请尽量避免浪费有限的培训名额。 |

