研究将光学神经网络拓展至时间域

ScienMag 报道的一项研究介绍了一种神经网络架构：它完全利用光进行计算，同时处理随时间变化的信息。这项发表于 Light: Science & Applications 的研究，将衍射光学计算拓展到了动态领域，超越了许多早期系统所采用的静态二维图案。

研究人员的框架同时以两种方式控制光场：塑造光在空间中的分布，并引导该光场随时间演化的方式。这样一来，光学网络便有望处理波形和序列，而无需在各个阶段之间将数据发送给电子处理器。

从空间图案到变化的信号

衍射神经网络由一系列薄型光学层组成。研究人员通过计算机训练过程选择这些光学层的透射或反射特性。一旦光进入经过训练的结构，就会从一层传播到下一层。由此产生的衍射和干涉，会执行类似于人工神经网络中加权连接的运算。

这种结构使网络能够在光穿过各层时完成前向计算。与传统电子系统不同，这种光学器件不需要在每个连接处分别执行数字乘法。不过，早期版本通常只能处理单幅图像或其他固定的空间图案。它们可以转换或分类分布在一个表面上的信息，却无法自然地考虑信号如何随时间发展。

这一局限很重要，因为许多有用的输入并不是静止图像。通信数据可能以不断变化的光波形到达，而生物信号和运动场景也包含在其时间行为中的信息。例如，一个口语词的含义取决于一连串变化，而不是某个孤立的瞬间画面。

新设计将光场视为同时随位置和时间变化的对象。因此，其中的光学层不再只是空间掩模：它们旨在改变时间变化光场不同部分之间的关系，使这些组成部分在传播和干涉过程中发生相互作用。最终的光图案便可以表示分类结果或转换后的波形等输出。

以光作为计算媒介

该网络通过数值方法进行训练。研究人员将波传播模型与机器学习方法结合起来，反复调整各层的特性，以缩小系统输出与目标结果之间的差异。训练完成后，这些参数会被赋予实际的光学元件。

在运行过程中，该框架被设计为以被动方式完成推理。这一点使其区别于混合系统：在后者中，光学器件只完成部分计算，随后由电子设备接手。在所提出的全光路径中，光的传播、衍射和干涉本身就提供了计算过程。

加入时间维度后，系统可以在一个时间窗口内整合信息，而不是将每个时刻分别处理。根据 ScienMag 的报道，这类网络有望通过光在结构中的运动行为，实现时间滤波、相关分析和序列识别。这为在传感或通信系统的起始端分析流式数据提供了可能，使信号无需先转换为电子格式。

这一方法还利用了光能够承载信息的多种属性，包括空间结构、波长、偏振和时间轮廓。该研究重点关注对空间和时间的联合控制，这是光学研究中的一个领域；它已经实现了对工程化脉冲及其他光图案的设计，使其在传播过程中的行为能够被有意塑造。

潜在优势与仍待解决的难题

能源消耗是人们关注光学神经网络的一个主要原因。电子人工智能硬件除了执行推理所需的数学运算外，还可能在内存与处理单元之间搬运数据时消耗大量电力。衍射光学网络通过光的运动和干涉完成变换，因此其运行成本主要与产生和探测光有关，而不是在每个连接处都进行一次电子计算。

时间维度的扩展可能使这一优势适用于更广泛的任务，尤其是光通信领域，因为信息本来就以调制光的形式传播。避免在光学格式与电子格式之间反复转换，也有助于实现极高速处理。对于紧凑型器件而言，光穿过网络所需的时间可能以皮秒计，不过完整系统的实际性能将取决于其元件和探测器。

这项工作被定位为一种设计框架和未来实现的基础，而不是已经完成的产品。要制造出能够准确地对快速变化的光施加所需改变的实体光学层，将是一项挑战。对准情况、制造精度和探测器带宽都可能影响器件能否达到训练模型所预测的性能。

ScienMag 报道称，这项研究确立了时空衍射神经网络的原理和方法。要将这些原理转化为适用于不同光学频率范围和硬件平台的系统，还需要进一步研究；但这一框架拓展了被动光学在动态信息处理中的潜在作用。