D2NN（Diffractive Deep Neural Network，衍射神经网络）逐渐成为光学人工智能领域的热门研究方向。大量研究开始围绕衍射神经网络展开，包括光学分类、光学计算、计算成像、超表面设计以及光通信等方向。对于刚接触该领域的同学来说，D2NN似乎并不复杂：输入光场经过若干层衍射结构传播后，在输出面形成不同的能量分布，从而完成分类或推理任务。但真正开始阅读论文或复现代码时，往往会遇

火山图是一种常见的数据可视化方式，以散点图为基础，通过横轴与纵轴组合展示两类信息

在矢量光场（Vector Optical Fields）的研究中，单纯的光强分布（Intensity）往往掩盖了物理本质。如何直观地展示光束横截面上复杂的偏振态演化？如何用颜色区分左旋与右旋圆偏振？本期将和大家一起学习用绘制“光强背景+偏振椭圆阵列”的科研图！

如果你已经在项目或论文里用上了这种图，不妨也把这种效果分享给更多同事或同学。半透明箱体 + 彩色散点 + 网格线，既美观又信息量大。多组数据时，散点要么挤在一起，要么只能分成多张图。很难一眼看出中位数、四分位数、离群点等统计特征。展示整体分布（中位数、IQR、上下须）多组实验结果比较（药物组、对照组……不同时间点/条件下的测量值对比。一、Matlab绘制箱型散点图。二、Python绘制箱型散点图。

光子的OAM分为纵向OAM和横向OAM，其中空间涡旋产生纵向OAM，而时空光涡旋（STOV）提供横向OAM。3. 论文里动不动就来一张"spatiotemporal optical vortex（STOV）"1. 空间-时间平面一出现一人“黑洞·2. 相位像一只绕看时间轴打转的螺旋。

三、Python绘制三元图。

二、Matlab绘制和弦图。三、Python绘制和弦图。

三、Python绘制光强剖面叠加图。

论文链接如下：