面向智能视觉与计算的衍射光学神经网络

项目概览

本博士项目研究能否让光本身成为计算介质，从而改变传统人工智能系统先采集光、再数字化、最后交由电子硬件处理的工作流程。

课题将探索自由空间光学神经网络，通过设计衍射、干涉与波传播，使光在传播过程中直接完成类似神经网络的变换，并把成像、推理和意义提取结合在同一物理过程内。

研究由南洋理工大学电气与电子工程学院 Prof Cuong Dang Huy 指导，面向全球学生提供博士资助，全年接受申请。具体资助金额、覆盖年限、入学时间和申请材料尚未说明。

项目详情

多数现有 AI 视觉系统仍以电子计算为核心：光信号由传感器捕获并数字化，然后由计算硬件执行特征提取和推理。本项目试图把一部分计算前移到光传播本身，利用物理波动过程实现信息变换。研究重点是自由空间架构，而不是局限于集成光子芯片；候选人将围绕可扩展的衍射光学系统，研究可编程相位掩模、空间光调制器、超表面以及光学—数字混合系统。

核心目标是连接计算成像与光学机器学习，开发不仅形成图像，而且能在光传播过程中主动计算、推断和提取信息的系统。可能的研究方向包括：用于图像分类的衍射神经网络、光学特征提取、复杂介质成像、物理信息驱动的光学学习，以及将具备前端智能的光学模块与数字神经网络结合的混合架构。上述方向是潜在研究范围，项目信息没有规定候选人必须全部覆盖，也未明确最终博士课题会聚焦哪一项。

方法体系将结合 Fourier 光学、计算成像、机器学习和实验光学设计。博士生可能需要先以数值模拟建立传播模型和可训练光学结构，再把设计映射到相位掩模、空间光调制器、超表面或其他自由空间光路中，并通过相机、激光和成像系统测试性能。项目希望推动一种新范式：视觉、传感和计算不再是完全分离的串行阶段，而由光学物理过程统一实现。具体实验流程、训练数据、评价 benchmark、光学平台和制作资源未在项目信息中展开。

该课题位于光学物理与人工智能交界处，需要同时理解波传播和机器学习。理想候选人应具备数学信心，能够在跨学科问题中建立模型、设计实验并解释物理约束。数值模拟及 Python、MATLAB、PyTorch 或类似工具的使用经验较为有利；自由空间光学实验、空间光调制器、相机、激光或成像系统的动手经验属于加分项，但不是硬性要求。

申请要点

• 学科背景：物理、光学、光子学、计算机科学或密切相关专业；要求研究动机强。

• 优先知识：计算成像、Fourier 光学、波传播、机器学习或光学系统设计经验。

• 计算技能：数值模拟，以及 Python、MATLAB、PyTorch 或同类工具经验较为理想。

• 实验技能：自由空间光学实验、空间光调制器、相机、激光或成像系统经验会加分，但并非必需。

• 个人能力：应具备好奇心、数学信心和跨学科创造力，愿意探索新的研究方向，并帮助搭建计算成像与光学神经网络之间的桥梁。

• 导师：Prof Cuong Dang Huy。项目介绍未列出共同导师、实验室成员或外部合作方。

• 资助与申请：面向全球学生的资助型博士项目，全年接受申请；未说明学费、生活津贴、资助年限、必交材料或评审时间表。

需要进一步确认

申请前应核实博士课题的最终聚焦方向、理论与实验工作的比例、可用的激光器、空间光调制器、相机、超表面加工和计算资源，以及导师团队与合作安排。还需确认资助金额、国际学生学费和生活费覆盖、博士学制、开始日期、申请材料及全年申请对应的实际评审和入学批次。

博士项目深度研究报告：面向智能视觉与计算的衍射光学神经网络

申请判断

建议等级：整体实力强，但需核实匹配度。

这是一个依托强电气工程与光子学环境、研究潜力较高的交叉项目。其核心问题——自由空间光学系统能否在光传播过程中完成有用的推理或特征提取——在科学上可信，也切合当前研究前沿。导师在纳米光子学、计算成像和散射介质成像方面已有扎实积累，一篇 2026 年论文尤其有效地连接了真实测量的光传播与物理引导深度学习。NTU EEE 周边还拥有覆盖光子学、成像、智能系统、视觉分析、超表面和纳米制造的完整研究生态。

但目前信息仍不足以支持完整决策。未找到学校官网发布的同名项目简介。公开项目说明没有界定第一年研究问题、工作波长、光学平台、数据集、数字基线、端到端系统边界、硬件使用权、共同导师或资助条款。导师近期研究活跃且方向相邻，但未找到近期由 Cuong Dang 主导、专门研究衍射光学神经网络的论文。这些缺口很重要，因为该领域很容易出现令人印象深刻的器件级演示，但一旦计入照明、调制、探测、转换、校准和数字处理，所声称的速度或能耗优势可能消失。

如果团队能够提供书面项目计划，明确当前负责日常指导的光学—机器学习导师，确认设备和制造资源，定义严格基准，并说明完整奖学金或项目经费，该机会会显著增强。如果不能确认，上述优势依然可观，但会伴随本可避免的执行风险。

研究方向与领域前景

潜在研究切入点

证据支持以下几个合理方向：

• 面向可编程自由空间系统的硬件在环或全前向训练，并测量校准误差和收敛成本。

• 穿过变化散射介质的物理引导光学特征提取或重建，延伸团队最强的近期研究。

• 构建混合光学—数字网络，让光学前端压缩或变换场景，由小型数字模型提供非线性和任务适应能力。ACS Photonics 关于可编程衍射与数字神经网络的观点文章提供了有用设计框架。

• 进行制造感知的超表面优化，定量评估几何、波长、偏振、温度和样品间差异的敏感性。

• 在同一真实任务上，使用资源对等的数字基线比较无源、可编程和混合系统。

基准设计可能比名义上的架构更重要。它应报告任务准确率和校准时间；对失准、相位误差、噪声和波长漂移的鲁棒性；在明确批量大小下的吞吐量和延迟；光功率和系统总输入能耗（wall-plug energy）；探测与转换成本；物理占地；以及不同实验时段或不同制造样品之间的重复性。《Photonic Advantage of Optical Encoders》的分析警告说，探测器读出、SLM、激光和转换成本经常被遗漏，过度简化的任务也往往缺乏同等优化的数字计算对照。光以光速传播本身并不等于端到端优势。

领域发展态势

2018 年 Science 的奠基性论文《All-Optical Machine Learning Using Diffractive Deep Neural Networks》证明，经数字训练的无源衍射层能够执行学习得到的光学变换。其太赫兹演示包括手写数字分类和类似透镜的成像。该成果开创了领域，但也给新的博士研究设定了必须超越的基线：训练仍在电子系统中完成，任务较简单，实验也没有消除输入编码、照明、对准、传感或读出环节。

当前前沿关注物理保真度、有用任务以及诚实的系统指标。2024 年 Nature 关于全前向模式训练的论文指出，非理想器件和复杂传播使精确离线模型难以建立，并利用真实前向测量和互易性训练光学系统，直接针对仿真到硬件的差距。这使硬件在环、现场训练和校准感知学习成为高价值方向。

2024 年综述《Optical Neural Networks: Progress and Challenges》指出了规模、计算密度、非线性、可重构性、光损耗和精密调制之间相互耦合的权衡。无源衍射表面可以用很低的传播能耗提供大量有效单元，但固定器件难以更新。SLM 系统可编程，却增加刷新率、像素耦合、校准和功耗成本。超表面更紧凑，但会带来制造容差、波长敏感性和重新制造成本。单一架构很少能够同时最大化所有理想属性。

鲁棒性必须在设计阶段纳入，而不是事后追加。2023 年一项随机漫射体条件下的定量相位成像研究评估了轴向与横向失准、相位噪声和输出效率。训练时随机化物理位移能够提高容忍度，但高分辨率制造和对准仍然困难。任何实验型博士课题都应在声称性能之前定义可接受漂移、校准频率、探测器量程、光效率和重复性。

职业与市场前景

自由空间光学神经网络研究者的专业市场较窄，且以研究岗位为主；其可迁移市场则宽得多。新加坡 EDB 报告称，半导体行业约占 GDP 的 6%，雇用超过 35,000 人，并包含先进光子学和边缘 AI 活动。人力部的《2025 年职位空缺报告》显示，软件开发者、数据科学家和工程专业人员的需求仍在持续；同时，专业技能和相关经验非常重要，而可远程开展岗位的海外招聘意愿有所下降。

最具可迁移性的成果包括：计算成像、傅里叶与波动光学、复数数值仿真、逆向设计、科学机器学习、光学校准、计量、超表面表征、不确定性分析和端到端系统基准。这些技能可对应光学系统、成像算法、光子器件研发、半导体计量或测试、机器视觉、科学软件和公共研究岗位。职业适应性应来自可以展示的方法和系统，而不是狭窄的项目标签。

学校、学科与培养

NTU EEE 具有很强的外部声誉。NTU 在 2026 年 QS 电气与电子工程学科排名中位列全球第 4。这可作为研究可见度、规模和网络覆盖的参考，但不能说明特定指导体验，也不能证明项目已预留资源。

学院研究环境与该主题高度相关。智能材料、电子与光子学研究方向公布的数据为：72 余名教职人员、162 名研究科学家和 153 名研究生。其设施包括两个 Class 10/100 洁净室、MOCVD 与 MBE 系统、光子器件制造与表征实验室以及建模仿真设施。研究主题包括光学成像与传感、复杂介质光学、超材料与超表面。EEE 中心与实验室名录还提供互补能力：COEB 覆盖光子学，CISS 覆盖数据、图像与视频分析及先进传感，ROSE 覆盖深度学习与视觉分析，N2FC 支持纳米制造。这是跨越光学硬件与机器学习研究的可信环境。但学院层面的能力不能等同于项目专项使用权、培训、仪器时间或预算。

EEE 博士项目是一项结构化研究学位，并非没有明确培养边界的实验室岗位。项目要求完成 18 个学分单位的课程、资格或确认考核、博士论文和口试。公布的全日制学制为 2 至 5 年，每年 1 月和 8 月入学。对于实验要求较高的项目，第一年规划必须纳入课程和资格考核要求。

申请时间比项目所称的全年开放更具体。研究型项目申请指南给出的常规窗口是：8 月入学于前一年 10 月 1 日至当年 1 月 31 日申请，1 月入学于 6 月 1 日至 7 月 31 日申请。2026 年 7 月 16 日，系统仍在接收 2027 年 1 月入学申请，因此研究时该项目尚未过期。指南还列出了学术材料、适用情况下的英语证明、两名学术推荐人、工程学院视频陈述及 50 新元申请费。持续联系导师不能替代这些正式截止时间。

导师与实验室评估

导师研究方向

当前 COEB 教职名录显示，(Steve) Cuong Dang 为 EEE 副教授兼 COEB 主任。他的训练背景结合了物理学与电气及计算机工程。其公开研究范围涵盖纳米光子学、光电子材料与器件、计算成像，以及散射介质中的光操控。

与本项目最直接相关的基础并非一般纳米材料研究，而是团队在计算成像方面的积累。团队的计算成像与显示页面介绍了噪声条件下的单像素成像和光场显示研究；其散射介质成像页面记录了单次多光谱成像、多视角成像、大视场恢复，以及穿过动态散射介质的无创超分辨率成像。这些项目需要理解波传播、校准、信号重建和实验迭代，与物理光学学习所需的整体能力高度相似。

但这种匹配仍然是相邻而非完全对应。当前一份 EEE 外展文件列出了 Cuong Dang 在光—物质相互作用和纳米光子学方面的研究兴趣，并单独介绍了强漫射介质中的计算成像，却没有表明内部已经形成成熟的衍射光学神经网络项目。因此，该博士项目可能是团队有意扩展计算成像方向。新方向能够带来较大的学术自主空间，但也更需要一名近期具有物理机器学习和衍射网络经验的明确共同导师或合作者。

近期重要论文

与项目最接近的近期论文，是 2026 年发表于 Advanced Science 的《Ultra-Wide-Field Noninvasive Imaging Through Scattering Media Via Physics-Guided Deep Learning》。该研究采用概念验证光学系统、真实测量的散斑数据和物理引导学习模型。这直接证明了导师合作网络能够把实际光传播与现代机器学习结合起来。不过，它并不是衍射光学神经网络处理器，计算仍位于重建流水线中。

2025 年发表于 Advanced Materials 的《Hyperspectral Metachip-Based 3D Spatial Map for Cancer Cell Screening and Quantification》把紧凑的太赫兹谐振超表面芯片、高维光谱特征和数据驱动空间映射结合起来，并报告了对 15 种癌细胞类型达到 93.33% 的筛查准确率。Cuong Dang 为共同作者。该论文与智能光学传感及超表面测量相关，但不能证明他主导了该工作，也不能证明相关合作者与设备已用于本博士项目。

2026 年 Newton 论文《Hybridization of Non-Hermitian Topological Interface Modes》通过实验展示了可调的成键与反成键光子态，其 Q 因子和远场辐射不同。这是当前光子建模和波前控制能力的有用证据。2025 年 ACS Nano 论文《Room-Temperature Lasing at Flatband Bound States in the Continuum》结合了解析及 COMSOL 建模、纳米天线制造、发射体集成和角度及偏振分辨测量。作者贡献声明显示，Cuong Dang 主要参与讨论，而非核心构思或测量，因此该论文更能支持合作网络的实力，而不是证明其个人对本项目的直接领导。

综合来看，这些近期论文证明了活跃的光学研究、复杂介质成像以及高水平合作资源，但仍需要明确谁将日常负责衍射网络训练、机器学习评估和系统集成。

实验室、资源与合作环境

公开证据支持一个广泛的合作环境，涉及 EEE、COEB、CINTRA、A*STAR 和外部光子学伙伴。当前 CINTRA 论文清单展示了 2025–2026 年在拓扑光子学、光学材料和光子束缚态方面的工作。该网络可能为超表面设计、制造和表征提供价值。

主要不确定性在于具体执行条件。公开的团队成员页面列出了 Photonics Lab 1 以及机器视觉、图像分析和算法优化方面的能力，但若干职位看起来属于历史信息，因此不能据此确认当前博士生队伍、博士后支持、导师负荷或日常指导安排。在把学院设施视为可用之前，项目应明确：实验室已经拥有哪些激光源、SLM 或 DMD、相机、隔振平台、制造工艺和计算系统；哪些设备需要预约共享设施；由谁操作；多轮制造和耗材由谁承担费用。

资助、申请与生活成本

项目被描述为面向全球申请者的资助型项目，但公开信息没有说明奖项名称、津贴、学费覆盖、资助期限，也没有给出续期、教学、耗材和差旅条款。这是最大的非科学不确定性。

NTU Research Scholarship只能作为条件性基准，不能证明实际资助方案。从 2026 年 1 月起，国际博士生的津贴为每月 3,000 新元，并覆盖年度学费，最长可资助 4 年，但取决于学业进展和经费可用性。国际奖学金获得者须承担 Graduate Assistantship 工作；通过资格考核后，每月可能增加最高 500 新元。项目应明确适用的是该奖学金、其他校级资助还是项目经费支持的博士名额。

如果学费没有覆盖，风险很高。官方 AY2026-27 研究生学费表列出的 EEE 实验类国际学生学费为：Service Obligation 或 Graduate Assistantship 类别每学年 23,250 新元，非补贴费率 48,370 新元。资助函应明确全额学费覆盖以及是否适用服务义务。

当前 Graduate Hall 2 房价为：双人套间每名住户每月 686 新元，单人套间每月 876 新元，不包括按使用量计费的空调。将这些房价与申请指南中餐饮每月 300–800 新元、交通 80–200 新元、个人开支 300–630 新元相加，可得双人间每月约 1,366–2,316 新元，单人间约 1,556–2,506 新元。估算未包括部分通信、教材、签证或医疗费用、押金、差旅和特殊开支。校内住宿不保证分配，校外成本可能更高。若条件性的每月 3,000 新元奖学金基准适用，校内生活通常仍有一定余量，但这并不保证能够形成特定储蓄。

申请者匹配与准备

最适合的背景

• 能展示数值建模和机器学习能力的光学、光子学、物理或 EEE 毕业生。

• 具备波传播、复数场、逆问题和物理实验实质能力的计算机科学或机器学习毕业生。

• 能在 PyTorch 或 MATLAB、傅里叶光学仿真、实验室对准、校准和定量误差分析之间切换的候选人。

• 对计算成像、智能传感、复杂介质、超表面或混合物理 AI 感兴趣的研究者。

• 重视新兴方向的研究自主权，并能够帮助建立严格系统基准的候选人。

需要谨慎评估的情况

• 希望攻读纯软件博士，不愿从事光学实验室工作。

• 既往机器学习工作依赖高层框架，但缺少可重复基线、消融和误差分析。

• 既往光学工作偏定性，缺少数值采样、校准或不确定性处理。

• 不希望反复进行对准、硬件调试及处理仿真与实验不匹配。

• 入学前必须获得工作包固定、低不确定性的完整项目计划。

建议补强的技能与证据

有说服力的准备材料可以包括：

1. 一个以物理为基础的传播模型，采用菲涅耳或角谱方法，包含采样与混叠检查，并与解析或实测参考比较。

2. 一个可重复的机器学习项目，具有清晰的数据划分、强数字基线、消融、不确定性或鲁棒性分析，以及记录完整的计算需求。

3. 一项实验或硬件感知研究，涉及 SLM、DMD、相机、激光、成像逆问题或制造容差仿真。

4. 一份围绕单个可证伪问题的简洁研究计划，例如：硬件在环训练是否能提高系统在明确定义的失准分布下的鲁棒性，或混合光学前端能否在端到端能耗和延迟相同的条件下提高准确率。

5. 能够解释系统中的非线性、探测和数字处理分别出现在哪里，以及什么证据可以否定所声称的光学优势。

以上是项目层面的准备方向，不是对任何个人录取结果的预测。

风险与待核实问题

高优先级问题

1. 项目已批准的具体研究问题和可量化第一年里程碑是什么？

2. 核心平台将采用 SLM、DMD、加工制造的相位板、超表面还是多者组合？工作波长是什么？

3. 将使用哪些数据集和真实任务？会比较哪些数字计算、光学与混合基线？

4. 非线性出现在哪里？光学—数字边界如何定义？

5. 将如何测量端到端准确率、校准时间、鲁棒性、吞吐量、延迟、光功率和系统总输入能耗？

6. 哪些激光器、调制器、相机、隔振系统、制造工具和计算资源已就绪并获得预算？

7. 是否保证洁净室或超表面制造资源？预算支持多少轮制造迭代？

8. 谁负责数值光学、机器学习和实验对准的日常指导？

9. 团队当前哪一项目是该博士课题最接近的技术先例？

10. 哪项奖学金或项目经费资助该岗位？适用的津贴、学费、期限、续期、GAP 和服务义务条款是什么？

中优先级问题

1. 主导师当前指导多少名博士生和博士后？

2. 常规会议频率如何？理论、代码、实验和制造之间的预期比例是什么？

3. 全年项目咨询如何对应正式的 1 月和 8 月招生周期？

4. 对代码、数据、光学设计、可重复性和开源发布有何要求？

5. 适用哪些论文发表、作者署名和会议差旅要求？

6. 是否存在会延迟发表的既有知识产权、专利、产业伙伴或数据限制？

7. 是否提供研究生住宿或搬迁支持？未分配到校内住宿时如何处理？

证据与来源

大学、项目、排名与设施

• 2026 年 QS EEE 学科排名
• EEE 博士项目
• 研究型项目申请指南
• 智能材料、电子与光子学
• EEE 中心与实验室

导师、团队与近期工作

• COEB 教职名录
• 团队计算成像与显示研究
• 团队散射介质成像研究
• 团队成员
• CINTRA 论文清单
• 散射介质中的物理引导成像
• 高光谱超表面芯片空间映射
• 拓扑界面模态杂化
• 室温平带 BIC 激光

领域前沿与基准

• 奠基性衍射深度神经网络
• 全前向模式光学训练
• 光学神经网络：进展与挑战
• 自由空间衍射光学计算
• 随机漫射体条件下的定量相位成像
• 光学编码器的光子优势
• 可编程衍射与数字神经网络

资助、生活成本与职业市场

• NTU Research Scholarship
• AY2026-27 研究生学费
• Graduate Hall 2 房价
• 新加坡半导体行业
• 新加坡 2025 年职位空缺