.png){kind=icon}
返回
Flex multimode neural network for complete optical computation
.png){kind=icon}
OA
AI
DOI：10.1016/j.isci.2025.112376.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
紧凑高效的光子集成电路（PICs）是解决现代计算挑战的有前景的途径。采用级联马赫-曾德尔干涉仪（MZIs）或微环谐振器（MRRs）的传统PICs局限于刚性的线性矩阵运算，需要电子学进行数据压缩、非线性激活和后处理。对电子处理的依赖抵消了光子学带来的优势。这里我们提出了一种解决该问题的光子芯片。其思路是在多模波导上施加两组电极：一组用于数据加载，另一组通过灵活操控多模光干涉来塑造神经网络。在遵循遗传算法的塑造过程中，再次采用光学计算以绕过梯度获取问题。一旦训练完成，该芯片完全在光域进行计算。实验上在Iris数据集上实现了91%的分类精度。我们的方法可能使PICs更接近无需电子过载的实用计算应用。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.1
论文数:
5.7K
被引数:
4.1W
机构
暂无机构信息
引用论文
分享收藏分享收藏All-optical spiking neurosynaptic networks with self-learning capabilities具有自学习能力的全光尖峰神经突触网络.png)
NatureOAAI
NatureIF0
OAAI分享收藏Parallel convolutional processing using an integrated photonic tensor core使用集成光子张量核的并行卷积处理NatureOAAI
NatureIF0
OAAI分享收藏Multimodal deep learning using on-chip diffractive optics with in situ training capabilityNATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏All-optical ultrafast ReLU function for energy-efficient nanophotonic deep learning用于节能纳米光子深度学习的全光超快ReLU函数NANOPHOTONICS
OAAI
NANOPHOTONICSIF6.6
OAAI分享收藏
查看更多内容