پیاده سازی عینا همانند یک مقاله (Q1-Q4 JCR) در حوزه مهندسی فوتونیک که با یادگیری ماشین پیاده سازی شده است

---

شرح پروژه

عنوان پروژه: بازتولید یک مقاله جدید یادگیری ماشین در حوزه فیزیک و فوتونیک

برای انجام یک پروژه پژوهشی فشرده، به همکاری فردی مسلط به Python، یادگیری ماشین، تحلیل داده و ترجیحاً فوتونیک نیاز دارم. پروژه باید مرحله‌به‌مرحله، مستند، بازتولیدپذیر و همراه با انتقال کامل دانش انجام شود تا بتوانم تمام بخش‌های کد، روش و نتایج را شخصاً توضیح دهم و دفاع کنم.

مرحله اول پروژه، انتخاب و بازتولید مستقل یک مقاله ژورنالی معتبر با شرایط زیر است:

- مقاله پژوهشی ژورنالی Q1 تا Q4 باشد.
- سال انتشار آن بین 2023 تا 2026 باشد.
- موضوع مقاله مستقیماً به فیزیک یا مهندسی فوتونیک و یادگیری ماشین مربوط باشد.
- ترجیحاً با مدل‌سازی جانشین، پیش‌بینی عملکرد قطعات فوتونیکی، فوتونیک مجتمع، MZI، میکرورینگ، فیبر نوری یا طیف‌سنجی ارتباط داشته باشد.
- دیتاست دقیق و اصلی مقاله همین اکنون قابل دریافت باشد.
- کد رسمی یا پیاده‌سازی عمومی مقاله در GitHub، Papers with Code یا سایر منابع اینترنتی وجود نداشته باشد.
- مدل مقاله با استفاده از Python و کتابخانه‌هایی مانند Scikit-learn، TensorFlow یا PyTorch به‌صورت مستقل پیاده‌سازی شود.
- همان preprocessing، تقسیم‌بندی داده، hyperparameterها و معیارهای مقاله تا حد امکان رعایت شوند.
- معیارها، جدول‌ها و نمودارهای اصلی مقاله بازتولید شوند.
- اختلاف نتایج بازتولیدشده با مقاله ترجیحاً از حدود 1 تا 2 درصد بیشتر نباشد.
- استفاده از داده جایگزین، داده ساختگی، دست‌کاری داده یا کپی‌کردن کد دیگران قابل قبول نیست.

پیش از شروع پیاده‌سازی، لازم است 3 تا 5 مقاله کاندید همراه با مدارک زیر ارائه شوند:

1. عنوان، DOI، سال و مدرک Quartile مجله
2. لینک مقاله و دیتاست دقیق
3. بررسی مستند نبودن کد عمومی
4. مشخص‌کردن جدول‌ها، نمودارها و معیارهایی که بازتولید خواهند شد
5. ارزیابی امکان اجرا با CPU یا سخت‌افزار معمولی
6. ریسک‌های بازتولید، از جمله نبود seed، split یا جزئیات preprocessing

هیچ مقاله‌ای پیش از بررسی و تأیید این مرحله انتخاب نخواهد شد.

مرحله دوم، طراحی و اجرای یک بهبود علمی و واقعاً نوآورانه روی همان دیتاست است. این بهبود نباید صرفاً افزودن یک مدل آماده دیگر به مدل‌های مقاله باشد. ایده می‌تواند شامل معماری یا ensemble هدفمند، استخراج ویژگی فیزیکی، قید فیزیکی، روش نمونه‌برداری، تحلیل عدم‌قطعیت، بهبود تعمیم خارج از توزیع یا روش علمی مشابه باشد. تازگی ایده باید با جست‌وجوی مستند در منابع علمی بررسی شود. مدل پیشنهادی باید در معیارهای اصلی، هم از نتایج مقاله و هم از پیاده‌سازی پایه بهتر عمل کند و مقایسه منصفانه با split و protocol یکسان انجام شود.

خروجی‌های موردنیاز:

- فایل PDF مقاله پایه
- دیتاست اصلی و مستندات آن
- Jupyter Notebook تمیز و قابل‌اجرا برای پیاده‌سازی پایه

- فایل‌های CSV شامل تمام نتایج عددی
- نمودارهای باکیفیت مربوط به بازتولید و مقایسه
- ثبت seed، نسخه کتابخانه‌ها، تنظیمات و زمان اجرا
- گزارش پژوهشی تحلیلی حدود 14 تا 15 صفحه
- شرح مقاله، داده، preprocessing و مدل پایه
- مقایسه دقیق اعداد بازتولیدشده با اعداد مقاله
- 
- جدول و نمودار مقایسه روش پایه 
- تحلیل خطا، محدودیت‌ها، چالش‌ها و درس‌های آموخته‌شده

-  انتقال دانش و توضیح  بخش‌های مهم کد

ساختار تحویل باید منظم و به‌صورت زیر باشد:

Project_Final.zip
├── Report/
│   ├── Project_Report.pdf
│   └── Based_Paper.pdf
├── Base_Implementation/
│   ├── code_base.ipynb
│   ├── figures_base/
│   └── results_base.csv
├── ── Datasets/
    └── dataset files

کیفیت علمی و امکان بازتولید و سرعت تحویل  مهم‌ است. فرد همکار باید از ابتدا درباره هر ابهام، ریسک یا نتیجه‌ای که قابل تکرار نیست صریح باشد و هیچ عدد یا ادعایی بدون اجرای واقعی تولید نکند. لطفاً همراه پیشنهاد خود، سابقه مرتبط، نمونه پروژه مشابه، ابزارهای مورد استفاده، زمان موردنیاز، هزینه پیشنهادی و برنامه تحویل مرحله‌ای را اعلام کنید.

مقاللات کاندید اولیه

مقاله نهایی هنوز انتخاب نشده است. گزینه‌های زیر در بررسی اولیه شناسایی شده‌اند و لازم است همکار فنی پیش از شروع پروژه، دسترسی به دیتاست، امکان بازتولید نتایج، نبود کد عمومی و جزئیات روش هرکدام را مجدداً بررسی کند.

اولویت موضوعی 

Design of a Silicon Mach–Zehnder Modulator via Deep Learning and Evolutionary Algorithms

Journal: Scientific Reports
Year: 2023
DOI: 10.1038/s41598-023-41558-8
Article:
https://www.nature.com/articles/s41598-023-41558-8

Dataset:
https://figshare.com/s/2f4c54659bb3e18f19a3

این مقاله مستقیماً درباره مدل جانشین مبتنی بر شبکه عصبی و بهینه‌سازی یک مدولاتور Mach–Zehnder سیلیکونی است. مقاله از 10,000 پیکربندی شبیه‌سازی‌شده، هشت ورودی و سه خروجی شامل پهنای‌باند الکترواپتیکی، insertion loss و Vπ استفاده کرده است. این گزینه بیشترین هم‌پوشانی را با موضوع فوتونیک مجتمع، MZI و surrogate modeling دارد.

ریسک مهم: لینک Figshare در بررسی فعلی خطای 403 می‌دهد. این مقاله فقط در صورتی قابل انتخاب است که فایل‌های دقیق دیتاست واقعاً دانلود شوند و شامل اطلاعات کافی درباره train/test split، scaling و ساختار داده باشند. بدون دیتاست، بازتولید مقاله با CST و Lumerical در مهلت موجود ممکن نیست. در جست‌وجوی اولیه کد عمومی مقاله پیدا نشده است، ولی این مورد باید دوباره ممیزی شود.

اولویت موضوعی 2 ـ بهترین گزینه دارای دیتاست عمومی و نزدیک به مدل‌سازی جانشین فوتونیکی:

Optical Properties Estimation of Photonic Crystal Fiber Using Gaussian Process Regression

Journal: Optics Continuum
Year: 2024
DOI: 10.1364/OPTCON.527519
Article:
https://doi.org/10.1364/OPTCON.527519

Dataset 1:
https://opticapublishing.figshare.com/articles/dataset/Data_generated_using_FEM_method_xlsx/25600671

Dataset 2:
https://opticapublishing.figshare.com/articles/dataset/Dispersion_Data_xlsx/26139349

در این مقاله، الگوریتم‌های GPR، SVR، KNN، Random Forest، Gradient Boosting و ANN برای پیش‌بینی ضریب شکست مؤثر، confinement loss و dispersion فیبر کریستال فوتونی مقایسه شده‌اند. دیتاست‌های Excel رسمی مقاله در بررسی اولیه دانلود و باز شده‌اند و اجرای مدل‌ها روی CPU سبک است. در جست‌وجوی اولیه، کد عمومی مقاله پیدا نشده است.

ریسک مهم: دیتاست عمومی شامل قطرهای 0.9، 1.1، 1.3 و 1.5 میکرومتر است، اما آزمایش اصلی خارج از توزیع مقاله برای قطر 1.0 میکرومتر انجام شده و داده خام کامل این بخش ظاهراً در فایل‌های عمومی وجود ندارد. همچنین seed و جزئیات دقیق split مقاله کاملاً شفاف نیست. همکار باید مشخص کند آیا حداقل جدول‌های ارزیابی روی داده عمومی را می‌توان با اختلاف 1 تا 2 درصد بازتولید کرد یا خیر.

اولویت اجرایی 3 ـ کم‌ریسک‌ترین گزینه از نظر دسترسی به داده و بازتولید، ولی با هم‌پوشانی کمتر با فوتونیک مجتمع:

Using Random Forest for Brain Tissue Identification by Raman Spectroscopy

Journal: Machine Learning: Science and Technology
Year: 2023
DOI: 10.1088/2632-2153/ad1349
Article:
https://doi.org/10.1088/2632-2153/ad1349

Dataset:
https://datadryad.org/dataset/doi:10.6086/D1XH5H

این مقاله از طیف‌سنجی Raman و Random Forest برای شناسایی بافت مغز استفاده می‌کند. دیتاست خام اصلی به‌صورت عمومی منتشر شده و در جست‌وجوی اولیه کد پیاده‌سازی عمومی مقاله پیدا نشده است. مدل پایه سبک است و مقاله تنظیماتی مانند n_estimators=12 و max_depth=12 را گزارش کرده است. نتایج هدف شامل F1 حدود 0.962 و Accuracy حدود 0.962±0.003 است.

مزیت این گزینه، داده واقعی، مسئله روشن طبقه‌بندی، استفاده مستقیم از طیف‌سنجی فوتونیکی و امکان اجرای مدل روی لپ‌تاپ است. ضعف آن، فاصله موضوعی بیشتر با MZI، میکرورینگ و فوتونیک مجتمع است. حجم آرشیو خام داده نیز حدود 1.5 گیگابایت است.

گزینه ذخیره و مشروط:

Demonstration of a Fast-Training Feed-Forward Machine Learning Algorithm for Studying Key Optical Properties of FBG and Predicting Precisely the Output Spectrum

Journal: Optical and Quantum Electronics
Volume: 55
Article number: 16
Journal year: 2023
DOI: 10.1007/s11082-022-04284-5
Article:
https://doi.org/10.1007/s11082-022-04284-5

این مقاله از شبکه عصبی feed-forward برای پیش‌بینی خواص و طیف سه نوع Fiber Bragg Grating استفاده می‌کند و از نظر موضوعی کاملاً فوتونیکی است. بااین‌حال مقاله در نوامبر 2022 به‌صورت آنلاین منتشر شده و در جلد سال 2023 قرار گرفته است؛ بنابراین پذیرش آن از نظر بازه زمانی باید کنترل شود. همچنین دیتاست آماده و عمومی آن هنوز تأیید نشده است. فقط اگر داده دقیق از روابط مقاله به‌صورت کاملاً قابل‌بازتولید تولید شود و همه جزئیات مدل موجود باشد، می‌توان آن را انتخاب کرد.

ترتیب تصمیم‌گیری مورد انتظار از همکار:

1. ابتدا امکان دانلود و استفاده از دیتاست مقاله MZI بررسی شود.
2. اگر دیتاست MZI قابل‌دسترسی و کامل نبود، مقاله PCF با یک reproduction smoke test واقعی آزمایش شود.
3. اگر نتایج PCF به‌دلیل ابهام split یا نبود داده اعتبارسنجی قابل بازتولید نبود، مقاله Raman به‌عنوان گزینه اجرایی کم‌ریسک بررسی شود.
4. مقاله FBG فقط یک گزینه ذخیره است و بدون حل مسئله سال انتشار و دیتاست نباید انتخاب شود.
5. همکار می‌تواند مقاله مناسب‌تری پیشنهاد دهد، اما باید تمام شروط سال، Quartile، ارتباط با فیزیک/فوتونیک، دیتاست اصلی قابل‌دریافت، نبود کد عمومی و امکان بازتولید 1 تا 2 درصدی را مستند کند.

انتخاب نهایی مقاله بخشی از milestone اول پروژه است. پیش از تأیید این milestone نباید پیاده‌سازی اصلی یا نگارش گزارش آغاز شود.

مهارت ها و تخصص های مورد نیاز

---

---