臧裕斌，男，1995年5月生，江苏南京人，2023年1月毕业于清华大学电子工程系并于同年加入南京邮电大学电子与光学工程学院任教。

教育科研经历：

2023.1——至今: 南京邮电大学电子与光学工程学院 专任教师

2017.9——2023.1: 清华大学电子工程系信息光电子研究所，博士

2017.1——2017.6: 国家留学基金委(CSC)公派交换生

2013.9——2017.6: 南京航空航天大学信息工程专业，专业第一

主要研究方向：AI光学

学术兼职：IEEE JLT，IEEE MTT等多本期刊审稿人

承担课程：数字电路与逻辑设计、电工电子基础实验以及光电子基础实验等

主要研究方向：AI光学

简介：神经网络，作为当前发展最为迅猛的领域之一，具有强大的拟合能力，推动了众多复杂任务的解决。光纤系统，具有高速、低损及大带宽等优势，已在传感、通信等领域获得广泛应用。若能将两者有机结合，则能够优势互补。

主要工作一：面向神经网络的光纤系统设计

本工作旨在探究利用光纤系统构建神经网络的各类架构以提升当前光神经网络的数据处理维度和可重构性能。按照所构建神经网络结构的不同，分别提出了光纤全连接和卷积神经网络架构。前者通过时域拉伸技术展宽的脉冲提供神经网络层与层之间权值的存储物理载体，进而借助脉冲时频域压缩技术使之能够串行地计算全连接网络中层与层之间的矩阵计算操作；后者系统论证了借助光纤器件及脉冲时频变换技术既可以完成矩阵计算，还可以完成卷积和池化操作。与电神经网络相比，该两种架构能够提升计算速度和功率效率。与同类光学神经网络相比，该两种架构不仅能够提升网络处理维度与可重构性，而且能够降低传输损耗。

主要工作二：基于神经网络的光纤系统优化

本工作主要探讨如何利用神经网络模型优化光纤通信系统建模。对于光纤系统， 尤其是光通信系统，其信号建模与数值计算多采用分步傅里叶算法(SSFM)以求解非线性薛定谔方程(NLSE)，而该方法的计算复杂度与光纤及信号参数相关。特别是对于长距离高功率信号，该方法的时间成本和计算开销均会明显增长。此外，由于SSFM 须按照光纤和信号参数划分计算单元，而计算单元的设置与计算精度密切相关， 因此也容易出现由于设置不当而造成结果误差较大的情形。本工作尝试利用神经网络模型的强大拟合能力以辅助构建光纤传输系统模型。根据模型训练约束与收敛模式的差异，分别提出了原理驱动型与数据驱动型光纤传输模型。前者通过将 NLSE 引入模型的损失函数中，使其在稳定计算复杂度和降低计算时间的同时，能够保证模型在样本缺失时的有效训练；后者则通过引入多头注意力机制，进一步加强了模型对于信号传输变化特征的提取与识别性能，使得模型在降低信号预测时间的同时保持预测的精度。

其他工作：光电芯片与激光雷达等

主持项目：

1. 2023年国家自然科学基金青年基金62301275—面向光通信信号智能处理的光纤神经网络技术，在研。

2. 2023年微波光子学与雷达成像教育部重点实验室开放课题—面向光纤通信的强可解释性数字孪生系统研究，在研。

3. 2023年南京邮电大学高水平师资引进项目—面向新一代光纤通信信号智能处理高速低功耗光纤权值存储方案研究，在研。

4. 2024年高校技术合作项目—光载通信有线链路传播机理及建模，在研。

参与项目：

5. 2020 年国家重点研发计划 2019YFB1803501—中长跨光纤传输系统整体架构与理论模型，已完成。

6. 2018 年北京市科技计划 Z181100008918011—新一代人工智能技术培育—— 高速低功耗光子神经网络研究,已结题。

主要论文：

1.  Zang Y, Hua B, Lin Z, et al. Fiber transmission model with parameterized inputs based on generative pre-trained physics-informed neural networks[J]. Optics Express, 2025, 33(1): 50-61.

2.  Zang Y, Li S, Zhang F, et al. Implicit Adaptive Moment Estimation Method for on-chip Metasurface Design and Optimization, 2024, IEEE Photonics Technology Letters，2024，36(20)：1233-1236.

3.  Zang Y, Yu Z, Xu K, et al. Fiber communication receiver models based on multi-head  attention mechanism[J]. Chinese Optics Letters, 2023, 21(3): 1-6.

4.  Zang Y, Yu Z, Xu K, et al. Principle-driven Fiber Transmission Model based on PINN Neural Network[J]. IEEE/OSA Journal of Lightwave Technology, 2022, 40(2): 404-414.

5.  Zang Y, Yu Z, Xu K, et al. Multi-span long-haul fiber transmission model based on cascaded neural networks with multi-head attention mechanism[J]. IEEE/OSA Journal of Lightwave Technology, 2022, 40(19): 6347-6358.

6.  Zang Y, Yu Z, Xu K, et al.yes';font-family:'Times New Roman';letter-spacing:0.5000pt; font-size:11.0000pt;" > mechanism[J]. Optics Express, 2022, 30(26): 46626-46648.

7.  Zang Y, Chen M H, Yang S, et al. Optoelectronic convolutional neural networks based on time- stretch method[J]. Science China Information Sciences, 2021, 64(2): 1-12.

8.  Zang Y , Chen M , Yang S and Chen H. Electro-optical Neural Networks based on Time-stretch Method [J]. IEEE Journal of Selected Topics in Quantum Electronics, 2020：26(1): 1-10.

9.  陈宏伟*, 于振明, 张天, 臧裕斌, 淡一航, 徐坤. 光子神经网络发展与挑战[J]. 中国激光. 2020: 45(5): 030005.

10.  Zang Y, Yu Z, Xu K, et al. Universal Fiber Models based on PINN Neural Network[C]//Asia Communications and Photonics Conference. Optical Society of America, 2020: M4A. 266.

11.  Zang Y, Chen H, Yang S, et al. High Accuracy Non Ambiguity ToF Lidar System based on Pseudo-Random Noise Code and Phase Detection Method[C]//Optical Fiber Communication Conference. Optical Society of America, 2019: W2A. 43.

12. Fu T, Zang Y, Huang H, et al. On-chip photonic diffractive optical neural network based on a spatial domain electromagnetic propagation model[J]. Optics Express, 2021, 29(20): 31924-31940.

  13. Fu T, Zang Y, Huang Y, et al. Photonic machine learning with on-chip diffractive optics[J]. Nature Communications, 2023, 14(1): 1-10.

主要专利：

1. 一种光纤传输信号预测模型的训练方法及装置 （发明人：陈宏伟、臧裕斌等） (公开号：CN114647977A)；

2. 一种多跨光纤传输信号预测系统的训练方法及装置 （发明人：陈宏伟、臧裕斌等）(公开号：CN114647976A)；

3. 一种光通信接收模型的训练方法及装置 （发明人：陈宏伟、臧裕斌等）(公开号：CN114722905A)

  主要获奖：

1. 2023年大学生“互联网+”大学生创新创业大赛江苏省优秀指导教师

2. 2016年福特全球艾伦·穆拉利工程领袖奖学金