After a few months waiting, I got my password, delivered through postal service. The next step was to compile the code developed by previous Ph.D. students. I could smell the dust that the code had collected while stored in an external harddrive for years. Compiling it on a supercomputer was like reviving a roadkill squirrel. It took weeks before I could get it to work. When I thought I was finally ready to conclude my study with just a few big simulations, it was actually the beginning of a two-year long effort. The computing jobs submitted to the supercomputer would wait for days or even weeks. As a result, I could only iterate my design once a week. It would be after 50 iterations and almost 2 years before I finalized an isolator design. Then I graduated with the work published as the cover story in a pretty good journal. At the time, it didn’t bother me much that the speed of innovation was bottlenecked by a computer rather than by my brain power. While the productivity was painfully low, I took it as the cost of doing research. Ten years later, in 2015, I was already an engineering professor at the University of Wisconsin in Madison. I relived the same experience again. The difference was that my graduate students would be patiently waiting for computing. This time, it really bothered me because it turned out that watching my graduate students waiting for computing is a totally different experience than waiting for computing myself as a graduate student. Ten years ago as a graduate student, I didn’t have to worry about the cost of payroll and a ticking tenure clock. Later that year, I went to Boston to visit my longtime friend Qiqi Wang, an engineering professor at MIT who later became my co-founder. I was checking Instagram on my iPhone in an Uber when I had a sudden realization: none of these existed 10 years ago. Over time, business computing had brought innovations that made daily life more convenient – yet engineering computing had stagnated. We – the engineers who design new gadgets in the physical world– seemed to live in a world that had been forgotten by Silicon Valley entrepreneurs. We also need innovation in order to innovate faster! If no one would build new computing tools for us, we should roll up our sleeves and do it for ourselves. Months later, Qiqi, Shanhui and I founded Flexcompute with one mission: using advanced computing to accelerate innovation. We were fortunately joined by a group of exceptionally talented friends who became Flexcompute’s early team. Today, our computing technology is helping hundreds of university researchers from Yale, Purdue University, Columbia University, Boston University, University of Wisconsin, University of Illinois Urbana-Champaign, MIT, Stanford University and many other universities around the world. We are also proud to support dozens of companies to design their electric cars, electric aircrafts, high-efficiency wind turbines, and quantum computing chips. Simulating the physical world by solving massive differential equations allows them to design better and more efficient products. With Flexcompute they simulate an airplane in 5 minutes, instead of 10 hours before; a quantum circuit in 3 minutes, instead of 20 hours before. Our customers have never been able to iterate their designs so quickly. But this is just the beginning of a new era of engineering computing.

🔰 کانال آموزش اپتیک و فوتونیک محاسباتی، یکساله شد. 😃😳😊 The Computational Optics and Photonics Education Channel is one year old. #Computational_optics_and_Photonics What is Computational Optics and Photonics? Computational Optics and Photonics (COP) is a procedure for modeling and simulating the behavior of optical and photonic devices or related structures.

😄 شبیه سازی با روش TMM : 🔰 این متن یک استراتژی خنک کننده غیرفعال را مورد بحث قرار می دهد که به برق نیاز ندارد. روش های خنک کننده سنتی، مانند تهویه مطبوع، مقدار قابل توجهی انرژی مصرف می کنند. به عنوان مثال، تهویه مطبوع تقریباً 15٪ از انرژی اولیه مصرفی ساختمان ها در ایالات متحده را تشکیل می دهد. با استفاده از تکنیکی به نام خنک‌سازی تابشی، یک دستگاه می‌تواند گرما را از طریق یک پنجره شفاف اتمسفر خاص به فضای بیرونی تابش کند و در شب به طور موثر زیر دمای هوای محیط خنک شود. با این حال، دستیابی به این امر در طول روز یک چالش است زیرا خورشید خنک کننده تابشی را گرم می کند. 🔰مطالعه توصیف شده در این متن آزمایش موفقیت آمیزی را نشان می دهد که در آن خنک سازی تابشی در طول روز تا نزدیک به 5 درجه سانتیگراد زیر دمای هوای محیط زیر نور مستقیم خورشید به دست آمد. محققان از رویکرد فوتونیک حرارتی با بازتابنده خورشیدی فوتونیک یکپارچه و تابشگر حرارتی ساخته شده از لایه‌های HfO2 و SiO2 استفاده کردند. این تنظیم 97 درصد از نور خورشید را منعکس می کند در حالی که به طور انتخابی گرما را از طریق پنجره شفافیت اتمسفر ساطع می کند. هنگامی که در یک پشت بام در معرض نور مستقیم خورشید قرار گرفت، خنک کننده تابشی فوتونیک به 4.9 درجه سانتیگراد زیر دمای هوای محیط رسید و قدرت خنک کنندگی آن 40.1 وات بر متر مربع بود. این پیشرفت نشان می‌دهد که یک رویکرد فوتونیک مناسب می‌تواند منجر به فناوری‌های جدید با بهره‌وری انرژی شود و از تاریکی سرد کیهان به عنوان یک منبع ترمودینامیکی تجدیدپذیر در گرم‌ترین ساعات روز استفاده کند.

A simple algorithm to calculate the number of digits in a number

🔰 تلفیق فیزیک ، ریاضی و مهندسی کامپیوتر در شبیه سازی مهندسی

# Tidy3D Mind Map Central Node: Tidy3D - Cloud-based FDTD Solver ├── Core Technology │ ├── FDTD Method │ │ ├─ Yee lattice discretization │ │ ├─ Time-domain dynamics │ │ └─ Direct Maxwell solver │ ├── Key Features │ │ ├─ Convolutional PML │ │ ├─ Bloch boundaries (angled incidence) │ │ ├─ 3D symmetry exploitation (8× speedup) │ │ ├─ Adaptive nonuniform meshing │ │ └─ Sub-pixel material averaging │ └── Advanced Modules │ ├─ Mode solver (waveguide analysis) │ ├─ Dispersive material handling │ └─ Near-to-far field transformation ├── Workflow │ ├── Python API │ │ ├─ Structure/material definition │ │ ├─ Source/monitor configuration │ │ └─ Batch processing │ ├── Cloud Computation │ │ ├─ Automatic resource allocation │ │ └─ HPC cluster utilization │ └── Post-Processing │ ├─ Xarray-based data analysis │ └─ Web visualization tools ├── Performance Advantages │ ├─ 100× Faster vs CPU-FDTD │ ├─ 100× Larger problem scale │ ├─ Billion-cell simulations │ └─ Weak/strong scaling │ ├─ SWEPT algorithm │ └─ Hardware-software co-design ├── Applications │ ├─ Photonic ICs │ │ ├─ Waveguide components │ │ └─ Grating couplers │ ├─ Metamaterials │ │ ├─ Metalenses │ │ └─ Metasurfaces │ ├─ Antenna Design │ │ ├─ Radiation patterns │ │ └─ Impedance

تمرین شمارش تعداد مثلث های ممکن: می خواهیم کدی (با زبان برنامه نویسی پایتون) برای محاسبه تعداد مثلث های قابل طرح با اضلاع سه گانه a و b و c بنویسیم. بطوریکه مجموع اضلاع برابر n شود. نکته: شرط مثلث شدن این است که جمع هر دو ضلع بایستی از ضلع دیگر بزرگتر باشد و اندازه هیچ ضلعی هم برابر 0 نباشد. مثال: 1) خروجی برای n=5 برابر 1 است 2) خروجی برای n=12 برابر 3 است

🔰 روش اول حل مساله: استفاده از سه حلقه For براساس تعریف مساله 👌 در این روش فرض شده که i , j, k همان a, b, c هستند. 👌 در این روش فرض شده که 1<=i<=j<=k<n است.

🔰 روش دوم حل مساله: کاهش یک حلقه for (با استفاده از اینکه می دانیم مجموع اضلاع برابر n خواهد بود) و تقلیل مرتبه حل مساله از O(n^3) به O(n^2)

🔰 روش سوم حل مساله: کاهش دو حلقه for و تقلیل مرتبه حل مساله به O(n) 👈 استفاده از چند فرمول زیر و جایگذاری در یکدیگر: n = i + j + k i+j>k j<=k<n i>=1 j>=i و رسیدن به فرمولهای زیر: (i >= 1) & (i <= n/3) j <= (n/2 - i) j >= (n-i)/2

🤝 💻 کد پایتون سه روش حل مساله فوق

👈 توضیحات برنامه نویسی تمرین بالا: Key optimizations: 1. Reduced from 3 nested loops to 1 loop by: - Applying triangular number properties - Calculating valid ranges mathematically - Using inequalities from the triangle condition \[i + j > k\] Explanation: 1. The outer loop runs up to \[n/3\] because for valid triangles, no side can exceed this limit 2. For each \[i\], calculate: - Minimum \[j\] using \[max(i, (n//2 - i) + 1)\] - Maximum \[j\] using \[(n - i) // 2\] 3. Count valid combinations through arithmetic progression instead of nested iterations Test cases verify identical outputs: - For n=5: 1 valid triplet (1,2,2) - For n=12: 3 valid triplets (2,5,5), (3,4,5), (4,4,4)