DNNsolver：偏振敏感衍射神经网络的精准高效深度学习建模

DNNsolver提出基于深度学习的偏振敏感衍射神经网络建模方法，解决传统薄元件近似无法捕捉层内电磁耦合的问题，提升高密度光学计算建模精度与效率。

DNNsolver提出基于深度学习的衍射神经网络建模方法，解决偏振敏感高密度DNN中电磁层内耦合的精准高效仿真难题。

展示基于超构表面反射腔的五层衍射神经网络，实现角度复用多任务处理功能，突破光学神经网络的扩展性与多任务能力瓶颈。

提出神经模态分解（NMD）方法，将多端口系统响应矩阵分解为极点-留数形式，服务于RF腔体、光子器件等电磁系统的神经网络建模。

提出一种可物理解释的射频感知方法，通过解耦反射体速度与感知几何关系，联合恢复多普勒脊的速度、几何因子、相对幅度和宽度，提升非约束真实场景的适用性。