不同的應用場景，可以將光纖束兩端的制備成各種形狀，也可以將光纖支撐剛性的導光棒。二、玻璃光纖傳光束傳光束一般是由多根玻璃光纖排列組合而成，傳光束的兩端用光學膠水粘合，外面加裝保護結構。傳光束的透過率一般每米＞50%，其耐溫性取決于膠粘劑和護套的材料，耐溫范圍一般為-40℃-250℃，最小彎曲半徑30 D。在日常的生產生活中比較常見的光纖束種類有一下幾種：（1）常規傳光束。常規傳光束的輸入輸出端均為圓形光束，又稱一進一出“單一光導”，它與冷光源相結合適合觀察空間狹小、有障礙等困難條件下的照明。如用于醫療觀察儀器的照明，最具代表性的是采用柔性傳像束與導光束的各種醫用內窺鏡（胃鏡、腹腔鏡、肛腸鏡等） ...

電計算技術背景：由電子驅動的計算處理器在過去十年中有了巨大的發展，從通用中央處理器 (CPU) 到專用計算平臺，例如圖形處理器 (GPU)、現場可編程門陣列(FPGA)和專用集成電路(ASIC)，以滿足日益增長的計算資源需求。這些硅計算硬件平臺的進步通過允許訓練更大規模和更復雜的模型，為人工智能 (AI) 的復興做出了巨大貢獻。各種神經計算架構在廣泛領域得到了廣泛應用，例如卷積神經網絡 (convolutional neural networks,CNN)、循環神經網絡 (recurrent neural networks,RNN)、尖峰神經網絡(spiking neural networks ...

場控制技術背景：光束轉換器(transformer)用于將給定的入射光束轉換為具有特定輻照度和相位(或波前)分布的輸出光束。它在光刻、材料加工、激光或 LED 投影儀、光通信以及光檢測和測距（激光雷達）中得到廣泛應用。折射、反射和衍射光學元件都可用于光束轉換器。常用的折射或反射光束轉換器，設計時通常基于射線光學理論。設計問題主要由三種類型的方程約束：光束的能量守恒、以向量形式的斯涅爾定律(Snell's law)支配的光線追蹤方程以及描述在輸入和輸出波前之間等光程的Malus-Dupin定理 。此外，對于制造問題，應考慮面型的表面連續性。光束轉換器的發展路線為從輸入和輸出光束保持平面波 ...

超表面技術背景：作為納米光子學的一個重要研究分支，光學超表面在過去十年中引起了很大的關注。精心設計的超表面可以在亞波長范圍內任意操縱局部光特性，從而使透鏡、棱鏡、波片、偏振片和分束鏡等傳統光學元件的平面化成為可能。 此外，靈活的設計策略進一步使超表面能夠在單層平臺上實現光波的多維操縱。例如，通過訴諸光偏振、波長和入射角，以及不同的空間復用方案，已經有實現不同功能的大量多功能超表面得到報道。但是這些多功能超表面僅在一個操作空間有效，即要么透射空間或反射空間。能夠獨立控制透射和反射空間中的光的光學器件對于構建超緊湊光學系統具有重要意義。這是zui近基于多層超表面實現的。據報道，四層金屬貼片可以協同 ...

求解器技術背景：散射理論描述了波與物質的相互作用，并用于物理和工程應用的各個領域。散射理論主要劃分為兩類問題：正向(forward)問題和逆向(inverse)問題。正向問題涉及從已知的結構化介質計算散射場，而逆向問題涉及從一個已知的散射場求結構化介質。當前已經有了數個被廣泛使用的正向求解器，如有限差分時域(finite -difference time-domain,FDTD)法就是其中之一。相比之下，逆向問題被認為要比正向問題的求解更具挑戰性(即便附加各種近似和假設前提)，這是因為逆向問題是病態(ill-posed)的，并且計算復雜。技術要點：基于此，韓國KAIST的Moosung Lee ...

器學習技術背景：深度學習是發展最快的機器學習方法之一，它利用在計算機中實現的多層人工神經網絡對數據的表示和抽象進行數字化學習，并執行高級任務，與人類專家的表現相當甚至優于人類專家。深度學習的最新應用進展主要包括醫學圖像分析、語音識別、語言翻譯、圖像分類等。除了這些主流應用之外，深度學習方法也被用于解決逆成像問題。當前不足：當前的深度學習框架主要是在計算機中訓練及執行的，而受限于摩爾定律接近其物理極限，硅基計算機的性能增長已經逐漸達到不可持續的水平，急需新一代的計算模式。文章創新點：基于此，美國加州大學洛杉磯分校(UCLA)Aydogan Ozcan組的Xing Lin和Yair Rivenso ...

能推理技術背景：當今需要理解的視覺數據量不斷增加，迫使計算系統的計算能力持續攀升。在一系列應用中，如自動駕駛、機器視覺、智能家居、遙感、顯微鏡、安防監控、國防和物聯網等，計算成像系統需要記錄和處理前所未有的大量數據。這些數據不是給人類看的，而是由人工智能 (AI) 算法來解釋。在這些應用中，深度神經網絡(DNN)以其無與倫比的性能迅速成為視覺數據處理的標準算法。這主要得益于現代GPU的強大并行計算能力以及海量的數據集使得DNN能夠使用監督學習的策略有效訓練。然而，運行越來越復雜的神經網絡的高端GPU以及其它的加速器，對功率和帶寬的需求是驚人的，且需要大量的計算時間和龐大的體積。這些限制使得DN ...

率成像技術背景：超越衍射極限分辨率的光學成像技術推動了細胞內研究和單分子水平化學反應研究的發展。超分辨率受激發射損耗顯微鏡可以實現具有超高時空精度的三維成像。對于單分子檢測和定位技術，如隨機光學重建顯微鏡或光激活(photo-actived)定位顯微鏡,可光開關探針(photo-switchable probes)的位置定義為衍射極限點的中心位置。多次重復成像過程，每一次對不同的隨機激活熒光團成像，可以實現納米級的重建分辨率。然而，對樣品透明性的要求，使得這些超分辨顯微鏡技術不可能用于被強散射介質(如生物組織、磨砂玻璃、粗糙墻角等)掩埋的物體。這些介質對光的吸收不強烈，但是擾亂了光路，產生像噪 ...

析成像技術背景：透明生物樣品的光學顯微鏡成像可以大體分為無標記和有標記這兩類。兩者都致力于產生一種對比度機制，以實現所用波長照明下透明樣品結構的可視化。基于標記的成像依賴于染色劑和各種造影劑在某些感興趣的結構處產生熒光。無標記成像是非侵入性的，以特異性為代價簡化了樣品制備，并避免了造影劑的任何可能的毒副作用。定量相位成像是無標記成像的一種，它依賴樣品和周圍介質的相位差(表現為折射率差)對透明結構成像。數字全息就是這樣一種常用的無標記手段，樣品的數字全息圖可以在焦平面外采集，然后在后處理中通過數值求解模擬波前傳播過程的衍射積分進行數字聚焦。數字全息已在生物學、診斷學和醫學、微流控和片上實驗室成像 ...

經網絡技術背景：與人工智能的許多歷史發展一樣，深度神經網絡(DNN)得以廣泛采用的部分原因在于協同硬件。2012年，Krizhevsky等人表明反向傳播算法可以使用GPU有效地執行，以訓練大型DNN進行圖像分類。自2012年以來，DNN模型的計算需求迅速增長，甚至超過了摩爾定律。現在DNN越來越受到硬件能效的限制。新興的DNN能量問題激發了專用硬件:DNN加速器。其中大部分是基于硬件物理和DNN中的數學運算之間的直接數學同構。一些加速器方案使用傳統電子設備之外的物理系統，如光學和模擬電子交叉陣列等。大多數設備都針對深度學習的推理階段(現在也有越來越多的設備針對訓練階段)，這占商業部署中深度學習 ...