課程大綱

課程資訊

課程名稱

深度學習在科學與工程上的應用
Deep Learning in Science and Engineering

開課學期

113-1

授課對象

工學院應用力學研究所

授課教師

陳瑞琳

課號

AM7197

課程識別碼

543 M1140

班次

學分

3.0

全/半年

半年

必/選修

選修

上課時間

星期五2,3,4(9:10~12:10)

上課地點

備註

教室：R113,R233.部分學生將安排至R233視訊上課。
總人數上限：167人

課程簡介影片

核心能力關聯

核心能力與課程規劃關聯圖

課程大綱

為確保您我的權利,請尊重智慧財產權及不得非法影印

課程概述

本課程將介紹深度學習的基本原理、數學模型與方法，使用PyTorch/Matlab深度學習工具箱，以及深度學習在科學與工程領域中的應用。

課程目標

1. 理解深度學習的基本原理
2. 使用當前深度學習框架
3. 應用深度學習技術於科學和工程領域
4. 分析和解釋深度學習模型的結果

課程要求

無

預期每週課後學習時數

無

Office Hours

指定閱讀

課程講義

參考書目

1. Neural Networks and Deep Learning, Charu C. Aggarwal, Springer, 2018.
2. Deep Learning with PyTorch, Eli Stevens, Luca Antiga, Thomas Viehmann, Manning, 2020. (中文版: PyTorch深度學習攻略, 旗標, 2021).
3. GANs in Action, Jakub Langr and Vladimir Bok, Manning Publications, USA, 2019. (中文版: GAN對抗式生成網路, 旗標, 2020).
4. MATLAB Deep Learning Toolbox™ User's Guide, Mark Hudson Beale, Martin T. Hagan and Howard B. Demuth, MathWorks (R2020b).
5. PyTorch documents: https://pytorch.org/docs/stable/index.html.
6. https://github.com/eriklindernoren/PyTorch-GAN
7. https://github.com/zcemycl/Matlab-GAN
8. https://github.com/taigaoma1997/benchmark_in_de
9. R. S. Hegde, “Deep learning: a new tool for photonic nanostructure design,” Nanoscale Adv., 2, 1007–1023 (2020).
10. Physics-informed neural networks for inverse problems in nano-optics and metamaterialsPhysics-informed neural networks for inverse problems in nano-optics and metamaterials, Opt. Express, 28, 11618-11633 (2020).
11. W. Ma , Z. Liu, Z. A. Kudyshev, A. Boltasseva , W. Cai and Y. Liu, “Deep learning for the design of photonic structures,” Nat. Photonics 15, 77-90 (2021).
12. J. Jiang, M. Chen and J. A. Fan, “Deep neural networks for the evaluation and design of photonic devices,” Nat. Rev. Mater., 6, 679–700 (2021).
13. P. R. Wiecha, A. Arbouet, C. Girard, and O. L. Muskens, “Deep learning in nano-photonics: inverse design and beyond,” Photonics Res., 9, B182-B200 (2021).
14. T. Ma, M. Tobah, H. Wang and L. J. Guo, “Benchmarking deep learning-based models on nanophotonic inverse design problems,” Opto-Electron. Sci., 1, 210012 (2022).

評量方式
(僅供參考)

No.	項目	百分比	說明
1.	作業	100%

課程進度

週次	日期	單元主題
第1週	9/6	機器學習與深度學習簡介
第2週	9/13	深度學習數學基礎－數值最佳化、機率與資訊理論(一)
第3週	9/20	深度學習數學基礎－數值最佳化、機率與資訊理論(二)
第4週	9/27	前饋神經網路(全連結神經網路、密集神經網路)(一)
第5週	10/4	前饋神經網路(全連結神經網路、密集神經網路) (二)
第6週	10/11	卷積神經網路(CNN)(一、二)
第7週	10/18	生成式神經網路(GNN) (一、二)
第8週	10/25	遞迴神經網路(RNN) (一、二)
第9週	11/1	擴散模型
第10週	11/8	物理信息神經網路(PINN) (一)
第11週	11/15	物理信息神經網路(PINN) (二)
第12週	11/22	PyTorch/Matlab深度學習工具箱(一)
第12週	11/29	PyTorch/Matlab深度學習工具箱(二)
第14週	12/6	PyTorch/Matlab深度學習工具箱(三)
第15週	12/13	科學與工程之深度學習(一)
第16週	12/20	科學與工程之深度學習(二)