.png){kind=icon}
返回
DIODES: Diffractive Optical Differential Equation Solver
.png){kind=icon}
PRE
AI
DOI：10.1002/lpor.71649.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高效偏微分方程（PDE）求解是科学和工程应用的核心，而数据驱动方法已作为大规模问题的快速替代方案出现。然而，其部署仍受限于电子硬件，并面临日益增长的能耗和集成密度约束。光学和光子计算提供了高吞吐量和节能的平台，但现有的光学PDE求解器仍受限于硬件复杂性和可扩展性。本文提出了一种衍射光学微分方程求解器（DIODES）架构，该架构在主要由衍射元件构建的精简硬件实现中结合了实空间和傅里叶空间光学处理。DIODES移除了光学矩阵-向量乘法器硬件，并使用线性光学而非电子非线性模块实现非线性光学处理，为全光学PDE求解器提供了实用途径。我们通过时间无关的达西流方程验证了DIODES，实现了强大的预测能力、可缩放的分辨率训练性，以及与代表性光学和电子模型相当的性能。为引导实验实现，我们还分析了各种实验非理想性，并表明实验感知训练可提高对静态非理想性的鲁棒性。最后，我们将DIODES扩展应用于介电超表面中的时间相关麦克斯韦方程。这些结果确立了DIODES作为一种精简的光学计算框架，用于可扩展、高吞吐量和节能的PDE求解。
Keyword:
optical diffractive
optical computing
partial differential equations
期刊
L
IF:
10
论文数:
1.3K
被引数:
1
机构
引用论文
Optical neural engine for solving scientific partial differential equations求解科学偏微分方程的光学神经引擎.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏分享收藏Kalinin KP, Gladrow J, Chu J, Clegg JH, Cletheroe D, Kelly DJ, et al. Analog optical computer for AI inference and combinatorial optimization. Nature 2025;645:354–61. Doi: 10.1038/s41586-025-09430-z.Kalinin KP，Gladrow J，Chu J，Clegg JH，Cletheroe D，Kelly DJ，等. 类比光学计算机用于AI推理和组合优化. Nature 2025;645:354–61. Doi: 10.1038/s41586-025-09430-z.
IF0
PREAI
分享收藏
查看更多内容