當今需要理解的視覺數據量不斷增加，迫使計算係統的計算能力持續攀升。在一係列国产成人在线观看免费网站中，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，計算成像係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。
博覽：2020 Nature 基於(yu) 深度光學和光子學的人工智能推理
技術背景：
當今需要理解的視覺數據量不斷增加，迫使計算係統的計算能力持續攀升。在一係列国产成人在线观看免费网站中，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，計算成像係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。
在這些国产成人在线观看免费网站中，深度神經網絡(DNN)以其無與(yu) 倫(lun) 比的性能迅速成為(wei) 視覺數據處理的標準算法。這主要得益於(yu) 現代GPU的強大並行計算能力以及海量的數據集使得DNN能夠使用監督學習(xi) 的策略有效訓練。然而，運行越來越複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(ti) 積。這些限製使得DNN難以国产成人在线观看免费网站在邊緣設備(edge devices)上，如相機、自動駕駛汽車、機器人或物聯網的外圍設備等。很難想象把一個(ge) 這樣的計算單元放在高速行駛，需要瞬間做出判斷的自動駕駛汽車上。實際上，具有更緊湊的體(ti) 積、更低的延時、更輕的重量、更小的功耗的計算成像係統對所有的邊緣設備都有利。
DNN有兩(liang) 個(ge) 不同的計算階段：訓練和推理。在訓練階段，大量被標記的樣本輸入DNN，使用迭代的方法針對特定任務優(you) 化網絡參數。一旦訓練完成，DNN就可以用於(yu) 推理階段，在這時，數據(如圖像)輸入網絡，經過前饋傳(chuan) 遞，計算出需要的結果。GPU在某些国产成人在线观看免费网站中可以用於(yu) 推理，但是由於(yu) 上述原因，在邊緣設備中使用GPU是不實際的。
盡管電子AI加速器靈活性強，但是光學神經網絡(ONN)和光子電路提供了一種新的選擇。光學計算係統能夠以小的體(ti) 積實現大規模並行計算，適用於(yu) 小型設備，並且在某些国产成人在线观看免费网站中幾乎沒有功耗。事實上，使用光在計算係統中實現通信的光連接已經廣泛国产成人在线观看免费网站於(yu) 當今的數據中心，越來越多地使用更深入計算係統內(nei) 部的光連接可能對持續擴展至關(guan) 重要。與(yu) 電連接不同，隨著光學、光電子和電子更深層次的集成，光連接在帶寬密度和每比特能耗方麵可以有數量級上的改進。這種改進的連接可以實現混合電子-光學DNN，並且相同的低能耗、高度並行的集成技術可以用作模擬光學處理器的一部分。
當前不足：
盡管光計算具有巨大的潛力並且經過大約半個(ge) 世紀的集中研究，但通用光計算尚未成熟為(wei) 實用技術。
文章出發點：
推理任務(尤其是視覺計算国产成人在线观看免费网站)非常適合用全光或混合光電子係統來執行。例如，線性光學元件可以“免費”計算卷積、傅立葉變換、隨機投影和許多其它運算，即，這些是光與(yu) 物質相互作用或光傳(chuan) 播的自然結果。這些運算是驅動大多數現代視覺計算算法的 DNN 架構的基本構造模塊。基於(yu) 此，美國斯坦福大學的Gordon Wetzstein和美國加州大學洛杉磯分校的Aydogan Ozcan等人撰寫(xie) 綜述文章，回顧了人工智能国产成人在线观看免费网站光學計算的新工作，並討論了它的前景和挑戰。
工作回顧：
(1) 用於(yu) 人工智能的光子電路。現代DNN架構是線性層(linear layers)級聯的，線性層後麵是重複多次的非線性激活函數。常見的線性層類型是全連接的，這意味著每個(ge) 輸出神經元都是所有輸入神經元的加權和，即乘法累加(multiply accumulate,MAC)運算。這在數學上表示為(wei) 矩陣向量乘法(matrix-vector multiplication)，可以在光域中有效地實現。自早期光學計算工作以來發生的一個(ge) 具體(ti) 變化是，人們(men) 認識到特定架構（例如，基於(yu) 奇異值矩陣分解的架構）中的馬赫-曾德幹涉儀(yi) (MZI) 網格(mesh)可以實現任意矩陣乘法而不會(hui) 產(chan) 生基本損耗(fundamental loss)，這些架構也很容易配置和控製。
具體(ti) 來說，zui近的矽光子神經形態電路已經證明了使用相幹光對矩陣向量乘法的奇異值矩陣分解實現。在這種情況下，在矽芯片上製造的MZI實現了逐元素乘法。這種設計代表了使用光的神經網絡z關(guan) 鍵構建模塊之一的真正並行實現，現代代工廠(foundry)可以輕鬆地批量製造這種類型的光子係統。
這種設計的挑戰之一是 MZI 的數量隨著向量中元素數量N以N2增長，這是實現任意矩陣的必要結果。隨著光子電路尺寸的增加，損耗、噪聲和缺陷也成為(wei) 更大的問題。因此，構建足夠準確的模型以在計算機上對其進行訓練變得越來越困難。克服這一困難的方法包括設計對缺陷具有魯棒性的電路，自動“完善”電路，或在原位訓練光子神經形態電路等。
作為(wei) 基於(yu) MZI的MAC的替代方案，Feldmann等人。zui近推出了一種基於(yu) 相變材料 (phase change materials,PCM)的全光神經突觸網絡。在此設計中，PCM單元實現線性層的加權，而與(yu) 環形諧振器耦合的PCM單元實現類似於(yu) 修正線性單元 (rectified linear unit,ReLU) 的非線性激活函數。Tait等人還使用微環權重庫(micro-ring weight bank)來實現循環矽光子神經網絡。
將全光非線性納入光子電路是真深度光子網絡的關(guan) 鍵要求之一。然而，在低光信號強度下有效實現光子非線性激活函數的挑戰是1990年代對ONN興(xing) 趣減弱的主要原因之一。過去十年的創造性方法，例如基於(yu) 全光微環諧振器、可飽和吸收器 、電吸收調製器或混合電光方法的非線性閾值器，代表了在不久的將來克服這一挑戰的可能解決(jue) 方案。早期的“自電光效應(self electrooptic effect)”器件概念也可能提供混合解決(jue) 方案。
zui近發表了對神經形態光子學和用於(yu) 神經網絡的光子MAC的綜述。在後一篇綜述中，作者提供了光子線性計算係統及其電子對應物的詳細比較，並考慮了能量、速度和計算密度等指標。這項研究的主要見解是，在考慮大處理器尺寸、大向量尺寸和低精度操作時，光子電路在所有這些指標中都表現出優(you) 於(yu) 電子實現的優(you) 勢。然而，作者還指出了電光轉換的高能源成本的長期挑戰，現在正迅速接近電子鏈接(link)的能源成本。
光子電路可能成為(wei) 未來人工智能係統的基本構建塊。盡管在過去 20 年中取得了很大進展，但仍麵臨(lin) 重大挑戰。今天的電子計算平台具有可編程性、成熟和高產(chan) 量的大規模製造技術、3D實施機會(hui) 、內(nei) 置信號恢複和增益以及強大的內(nei) 存解決(jue) 方案。此外，現代數字電子係統具有高精度，這是模擬光子係統無法輕易比擬的。然而，人工智能係統通常不需要高精度，尤其是在用於(yu) 推理任務時。盡管傳(chuan) 統上光子係統的可編程性更加困難，但zui近已經證明了簡化過程的第1步。
總體(ti) 而言，光子電路的能力在過去十年中顯著增加，我們(men) 已經看到在過去阻礙其国产成人在线观看免费网站的一些關(guan) 鍵挑戰方麵取得了進展。然而，為(wei) 了與(yu) 電子国产欧美在线競爭(zheng) ，光子計算係統仍然麵臨(lin) 著基本的工程挑戰。一個(ge) 似乎特別適合光學和光子處理的方向是使用非相幹光進行光學推理，以在環境照明條件下快速處理場景信息。這種方法為(wei) 自動駕駛汽車、機器人和計算機視覺提供了許多令人興(xing) 奮的機會(hui) 。
(2) 基於(yu) 自由空間、透鏡和複雜介質的計算。
光子電路的替代方案是直接在通過自由空間或某種介質傳(chuan) 播的光場之上構建計算能力(見圖1)。在數學上，自由空間中的波傳(chuan) 播由基爾霍夫衍射積分描述，這相當於(yu) 場與(yu) 固定核的卷積。此操作代表了卷積神經網絡 (CNN，大多數視覺計算国产成人在线观看免费网站程序的第1選擇神經網絡架構) 的基本構建塊之一。然而，為(wei) 了使波傳(chuan) 播成為(wei) 光學計算的有用工具，我們(men) 需要可編程性。例如，卷積核能夠被設計。這可以通過傅立葉光學實現，光路中特定的透鏡排布可以將物理上正向或逆傅立葉變換国产成人在线观看免费网站於(yu) 光場。插入到光路傅立葉平麵中的光學元件實現了輸入場與(yu) 光學元件的幅度和相位的逐元素相乘。通過卷積定理可知，這對應於(yu) 輸入場與(yu) 插入光學元件的逆傅立葉變換的卷積。因此，可以使用透鏡和其它光學元件以光速將圖像的光場與(yu) 任意卷積核進行卷積。
過去，這種見解已被用於(yu) 設計光相關(guan) 器(optical correlator)。這些設備實現了單個(ge) 卷積，直接對非相幹光學圖像執行模板匹配，例如用於(yu) 目標檢測和追蹤。雖然這個(ge) 想法代表了現代CNN的卷積塊的光學實現的重要一步，但使用單個(ge) 內(nei) 核的卷積非常具有限製性。CNN通常在其每一層中同時使用許多內(nei) 核進行卷積。為(wei) 了解決(jue) 這種差異，可以調整經典的傅立葉光學裝置以在光學中實現並行卷積並模擬單個(ge) CNN塊的功能(見圖1)。因此，近年來在實現與(yu) 現代CNN緊密匹配的光學計算能力方麵取得了快速進展。然而，傅立葉光學方法的一些剩餘(yu) 挑戰包括實現光學非線性激活函數的難度以及相對於(yu) 光子電路的大型器件外形。
前一個(ge) 挑戰可以使用混合光電子計算方法解決(jue) ，再次使電光轉換過程的效率成為(wei) 主要瓶頸(盡管高度集成的節能光電子學具有可以解決(jue) 這種高效轉換的潛力)。
為(wei) 了實現比經典傅立葉光學光路更緊湊的設備外形，可以利用其它波-物質相互作用進行光學計算。例如，可以使用散射層代替透鏡。每一個(ge) 散射層代表優(you) 化後的振幅或相位調製調製，以一定間隔安裝，以實現全光分類算法。有趣的是，更複雜的優(you) 化非均勻介質形狀可用於(yu) 實現循環神經網絡，例如元音分類。然而，這並不是我們(men) 可以利用散射介質的唯yi配置。
在許多情況下，光在密集、複雜的介質中的傳(chuan) 播類似於(yu) 將輸入場與(yu) 隨機矩陣混合。這代表了一個(ge) 有趣的計算操作，並且已被證明幾乎是壓縮感知的理想選擇。在這類国产成人在线观看免费网站中，每個(ge) 輸出像素都是輸入的隨機投影，很像單像素相機範式(paradigm) 。這種方法還保留了大量信息，允許在沒有成像的情況下從(cong) 深度上恢複一些功能信號(具體(ti) 指的是從(cong) 深層散射組織中恢複功能性熒光信號)，這對於(yu) 神經科學來說可能特別有意義(yi) 。該方法也適用於(yu) 訓練神經網絡，如通過多模光纖成像或通過薄或厚散射介質成像。此外，複雜介質本身已經發現可以看作是神經網絡的一種光學實現：連接權重是隨機矩陣的係數，非線性是相機檢測過程中強度的轉換，可以在不成像的情況下直接執行分類任務。這種光傳(chuan) 播的數學重構可以開辟非常有趣的光學計算研究途徑，特別是在任何使用大規模隨機矩陣乘法的計算問題中，包括儲(chu) 備池計算(reservoir computing)、相位複原和計算成像等。
(3) 基於(yu) 深度計算光學和成像的推理。
計算成像是一個(ge) 專(zhuan) 注於(yu) 光學和圖像處理協同設計的領域，例如增強計算相機的能力。盡管相機被用於(yu) 執行許多不同的任務，但今天的相機旨在模仿人眼。它們(men) 捕獲3D環境的二維(2D)投影，通常具有三個(ge) 顏色通道。然而，其它動物的眼睛以非常不同的方式進化，每一種都完美地適應了它們(men) 的環境。例如，某些螳螂蝦的光感受器不僅(jin) 對光的偏振態敏感，而且包含多達12個(ge) 不同的光譜帶，這些特征適合其光譜豐(feng) 富的珊瑚礁生存環境。因此，相機可以適應獨特的環境或針對特定任務進行優(you) 化，就像動物的眼睛一樣。
使用傳(chuan) 統傳(chuan) 感器捕捉螳螂蝦所見shi界的挑戰之一是它們(men) 整合了不同維度的視覺數據。傳(chuan) 統的2D傳(chuan) 感器集成了入射全光函數的一定範圍內(nei) 的信息，即在波長譜、入射角和場景深度、特定時間窗口的某個(ge) 範圍上采集信息，並且其動態範圍也受到限製。因此，我們(men) 可以將現有的傳(chuan) 感器看作為(wei) 一個(ge) 瓶頸，阻止了一些視覺信息被采集到。光學工程師可以自由設計具有特定點擴散函數 (PSF) 的相機鏡頭，使用光譜選擇性濾光器設計傳(chuan) 感器像素的光譜靈敏度，或選擇設計其它屬性。然而，開發專(zhuan) 用成像係統的挑戰在於(yu) 如何z好地設計此類儀(yi) 器並利用這些工程能力。
在這種情況下，將相機解釋為(wei) 編碼器-解碼器係統是有幫助的。一個(ge) 或多個(ge) 鏡頭通過其深度變化點擴展函數將場景投影到2D傳(chuan) 感器上，從(cong) 而對傳(chuan) 感器上的場景進行光學編碼，然後光譜過濾器確定如何集成色譜。通常，電子解碼器從(cong) 原始傳(chuan) 感器測量中估計某些屬性。使用可微分圖像形成模型，我們(men) 可以模擬 3D 多光譜場景在傳(chuan) 感器上的光學投影，然後使用算法處理該數據。因此，我們(men) 可以將相機設計的問題整體(ti) 視為(wei) 光學和成像處理的端到端優(you) 化（見圖 1）。這種“深度”計算相機可以在離線階段進行訓練，以優(you) 化高層(high level )損失函數的性能，例如圖像分類或目標檢測。與(yu) 傳(chuan) 統的計算機視覺方法類似，這種訓練過程優(you) 化了神經網絡的權重或另一種可微算法的參數。然而，我們(men) 的編碼器-解碼器解釋更進一步，允許將高層損失函數的誤差一直反向傳(chuan) 播到相機的物理參數中。因此，物理鏡頭和深度神經網絡可以由損失函數和訓練數據集定義(yi) (見圖 2),針對特定任務進行聯合優(you) 化。優(you) 化後，物理層（在此示例中為(wei) 鏡頭）可以製造並用於(yu) 執行推理任務，例如比傳(chuan) 統數字層更穩健、更快或使用更少的功率對采集的圖像進行分類。這種光學和圖像處理的端到端優(you) 化被稱為(wei) “深度光學”。
在過去的一年中，已經為(wei) 各種国产成人在线观看免费网站提出了幾種深度光學方法。例如，該策略適用於(yu) 優(you) 化傳(chuan) 感器濾色器陣列的空間布局、新興(xing) 神經傳(chuan) 感器的像素曝光、顯微鏡和深度傳(chuan) 感的結構化照明模式，以及用於(yu) 擴展景深的自由曲麵透鏡的麵型、圖像分類 、平麵相機、高動態範圍成像、波長解複用或使用傳(chuan) 統2D相機進行深度傳(chuan) 感等 。特別是深度意識(depth awareness)對於(yu) 許多任務至關(guan) 重要，包括自動駕駛、機器人視覺、醫學成像和遙感。
盡管光學編碼器-電子解碼器解釋為(wei) 端到端相機設計提供了直觀的動機，但它並不是深度光學成像方法中使用的相機的唯yi解釋。我們(men) 還可以將光學器件的工作原理解釋為(wei) 一種計算，即作為(wei) 預處理或協處理器與(yu) 處理記錄數據的電子平台一起工作。通過這種解釋，我們(men) 可以嚐試通過讓光學器件完成盡可能多的工作來優(you) 化計算成像係統的延遲和功率要求。zui近的研究表明，這種解釋允許在光學中實現深度網絡的單個(ge) 卷積層、全連接層或其它參數化層。在光學中實現神經網絡或其它AI算法的一部分具有改進係統延遲、內(nei) 存使用、電源效率、對噪聲或其它測量退化的魯棒性以及手頭任務的準確性的變革潛力。然而，為(wei) 計算機視覺和成像国产成人在线观看免费网站開發真正的深度光學成像方法的挑戰之一依然是在光學中難以有效的實現非線性激活層，這些非線性激活層在通常由相機捕獲的非相幹光的低光強度和寬帶寬下工作.
(4) 在顯微鏡中的国产成人在线观看免费网站。
深度學習(xi) 方法產(chan) 生顯著影響的另一個(ge) 領域是光學顯微鏡，其涵蓋各種模態，包括相幹成像以及明場和熒光顯微鏡。幾十年來，解決(jue) 顯微圖像重建和增強的逆問題一直是研究的熱門話題。先前方法的一個(ge) 關(guan) 鍵組成部分是建立成像係統的前向模型。基於(yu) 深度學習(xi) 的數據驅動方法為(wei) 解決(jue) 光學顯微鏡中的逆問題提供了另一種途徑。經過訓練後，DNN可以提供一個(ge) 非常快速的框架來執行圖像重建和增強任務，而無需任何迭代、參數調整或物理前向模型。深度學習(xi) 在光學顯微鏡中的国产成人在线观看免费网站包括明場顯微鏡、無透鏡顯微鏡、熒光顯微鏡、超分辨率顯微鏡、共聚焦顯微鏡, 結構照明顯微鏡等。
在顯微鏡中也有深度學習(xi) 的新興(xing) 国产成人在线观看免费网站，根據我們(men) 目前對光-物質相互作用的理解，不可能建立準確的正向模型。這方麵的一個(ge) 例子是跨模態圖像轉換，其中 DNN使用來自兩(liang) 種不同成像模態的輸入和ground truth圖像數據進行訓練，兩(liang) 種成像模態之間不可能建立準確的物理聯係。例如，zui近的工作使用 DNN 將無標記組織樣本的自發熒光或定量相位圖像轉換為(wei) 明場等效圖像。在這裏，不僅(jin) 成像方式從(cong) 熒光（或相位成像）變為(wei) 明場，而且樣品在染色過程中也經曆了一些轉變，這使得建立準確的物理正向模型變得非常困難。另一個(ge) 這樣的跨模態圖像轉換網絡用於(yu) 將單色全息圖轉換成具有明場顯微鏡的空間和光譜對比度的等效圖像等效圖像，該圖像在空間和時間上都是不相幹的，沒有全息成像的相幹偽(wei) 影。
從(cong) 基於(yu) 深度學習(xi) 的計算成像的角度來看，真正將顯微鏡與(yu) 宏觀成像區分開來的是顯微鏡在硬件、照明特性、光-物質相互作用、樣品特性和尺寸以及成像距離等方麵的精度和可重複性，這些都是數據驅動的計算顯微鏡技術取得新成功的核心。此外，即使在一天內(nei) ，自動掃描顯微鏡也可以生成足夠大的圖像數據，例如包含超過 100,000 個(ge) 訓練圖像pathes以穩健地訓練模型。
在顯微鏡中使用基於(yu) 深度學習(xi) 的方法的一個(ge) 重要問題是幻覺(hallucination)和偽(wei) 影的可能性。一般來說，顯微鏡專(zhuan) 家可以識別偽(wei) 影，因為(wei) 它們(men) 包含看起來不真實的特征。相比之下，幻覺是指無法輕易與(yu) 樣本的“真實”特征區分開來的特征。DNN 可以通過各種物理驅動的約束進行正則化，通過設計它們(men) 的訓練損失函數以包含物理項；因此，將物理模型和相關(guan) 約束與(yu) 基於(yu) 學習(xi) 的圖像轉換相結合，可以為(wei) 未來的計算顯微鏡方法形成一種強大的混合方法。我們(men) 還相信，基於(yu) 深度學習(xi) 的計算顯微鏡逆問題解決(jue) 方案將產(chan) 生更好的正向模型的設計以及更好的圖像形成和重建理論的新理解。
此外，還有一些潛在的策略可以減輕DNN模型的幻覺或偽(wei) 影，至少可以警告用戶何時修改或微調他們(men) 的模型。例如，這可以通過監控新輸入數據的統計距離以及來自訓練或驗證輸入和輸出對的相應網絡輸出來實現，這可用於(yu) 量化成像係統來自於(yu) 假設和訓練階段狀態的偏差。訓練階段。遷移學習(xi) 可用於(yu) 在需要時有效地微調現有模型。事實上，這種通過附加數據和遷移學習(xi) 對網絡模型進行“定期維護和校準”的方法對於(yu) 高ji測量儀(yi) 器來說在概念上並不新鮮。
我們(men) 還應該考慮已建立的模型從(cong) 一種儀(yi) 器到另一種儀(yi) 器的可移植性。在特定顯微鏡硬件上訓練的網絡模型原則上應該在共享相同設計和組件的其它儀(yi) 器中有用。然而，這在文獻中尚未得到廣泛探討，並且模型的成像性能從(cong) 一種顯微鏡儀(yi) 器到其它儀(yi) 器的權衡仍有待大規模量化，以更好地理解遷移學習(xi) 的水平和所需的校準方法在具有相同光學設計和組件的新儀(yi) 器上忠實地運行經過訓練的模型。
深度學習(xi) 還創造了使光學顯微鏡任務特定化的新機會(hui) ，其中顯微鏡的功能將擴展到觀察到的物體(ti) 特征之外，還包括推理——例如通過優(you) 化的光學集成和電子計算識別感興(xing) 趣的空間或時間特征。我們(men) 相信，未來支持深度學習(xi) 的顯微鏡設計將在前端使用特定任務的光學處理器。根據特定顯微成像任務的性質，將照明連接到樣品或將樣品連接到光電探測器陣列的前端計算光學接口以進行優(you) 化，類似於(yu) zui近演示的衍射係統通過光的衍射執行計算。這種範式還將改變光電探測器陣列本身的設計（例如，像素的配置及其位置、形狀和數量），使光學和電子之間的探測器接口成為(wei) 另一個(ge) 可訓練的參數空間。因此，光學前端、光電探測器和後端電子計算構成了一個(ge) 完全可訓練的顯微鏡。
我們(men) 認為(wei) ，這些新型“思維顯微鏡”可以緩解與(yu) 當前顯微鏡設計相關(guan) 的一些挑戰，這些挑戰通常會(hui) 獲取不必要的大量數據，從(cong) 而為(wei) 數據采樣、存儲(chu) 、處理和相關(guan) 能源需求帶來巨大負擔。通過深度學習(xi) 方法全麵優(you) 化顯微鏡的設計，一個(ge) 特定任務的顯微鏡可以潛在地以更少的像素（或三維體(ti) 素）、更高的幀率和更小的功率執行所需的推理或成像操作，並且還大大降低了數據存儲(chu) 要求。與(yu) 傳(chuan) 統的圖像形成、數字化和處理順序不同，支持深度學習(xi) 的顯微鏡將合並和擴散所有這些功能(包括對其設計所有方麵的推理),從(cong) 而作為(wei) 一個(ge) 單一的任務優(you) 化係統工作。
參考文獻：Wetzstein, G., Ozcan, A., Gigan, S. et al. Inference in artificial intelligence with deep optics and photonics. Nature 588, 39–47 (2020).
DOI：https://doi.org/10.1038/s41586-020-2973-6
關(guan) 於(yu) 昊量光電：
上海昊量光電設備有限国产黄色在线观看是光電国产欧美在线專(zhuan) 業(ye) 代理商，国产欧美在线包括各類激光器、光電調製器、光學測量設備、光學元件等，涉及国产成人在线观看免费网站涵蓋了材料加工、光通訊、生物醫療、科學研究、國防、量子光學、生物顯微、物聯傳(chuan) 感、激光製造等；可為(wei) 客戶提供完整的設備安裝，培訓，硬件開發，軟件開發，係統集成等服務。
您可以通過我們(men) 昊量光電的官方網站www.weilancj.com了解更多的国产欧美在线信息，或直接來電谘詢4006-888-532。
本文章經光學前沿授權轉載,商業(ye) 轉載請聯係獲得授權。