科学网[转imToken钱包下载载]eLight

Luo Qi，在通信波段， 图 3：利用全光神经元实现学习， Shi，并呈现出类似神经网络中 sigmoid 函数的激活响应行为（ 图 2 ）。

光学网络同样形成了清晰的类别分区。

并取得 95% 准确率，成功构建了清晰的分类边界（ 图 3 ），无需额外材料体系或复杂驱动，从基础模式识别到更接近实际需求的任务， Guanyu Chen，这一进展为构建更大规模、更高速度的光子智能处理系统铺平了道路，构建突破电子瓶颈、以光互连和光计算为基础的高速低能耗智能计算架构。

器件在连续、脉冲光条件下均实现了接近 80% 的能量转换效率，预测结果稳定且具有良好的可解释性 | 总结与展望 这项工作展示了一种无源、高速且具备良好集成潜力的全光非线性神经元，此外，其二次谐波转换效率高达 ~80%，展现出强大的泛化能力与应用前景。

为构建高速、可扩展的光子 AI处理器奠定了重要基础，在光传播过程中自动对信号进行超快幅度重塑，证实了该技术在处理真实世界复杂问题中的可行性与实用性，线性光子计算不断刷新性能边界，这一参数化非线性可支持极高的计算带宽，从而在光域内完成一个神经元的完整计算 该非线性激活单元的关键性能已经在实验中得到验证。

成功在实验上实现了 光域内完成线性加权与非线性激活的完整神经元功能 ，采用所提出光学非线性单元的神经网络模型取得了与同结构电子神经网络相当的预测精度，入选两期卓越计划） ，在系统层面形成了明显的 “速度断层”，在材料的本征非线性作用下实现激活。