撰稿|课题组供稿
近日，由巴黎高等师范学院Sylvain Gigan团队、苏黎世联邦理工学院Rachel Grange团队、清华大学柳强团队和恩里克·费米研究所Romolo Savo等研究人员合作，通过融合线性多重散射和非线性二倍频过程，提出了一种基于无序铌酸锂纳米晶体的新型非线性光学神经网络系统，突破了传统光子计算的线性限制和计算规模，并在多项机器学习任务中展示了非线性过程对于提高光电智能计算性能的重要性。这项研究最近以“Large-scale photonic computing with nonlinear disordered media”为题，以封面文章发表在Nature Computational Science期刊。清华大学、巴黎高等师范学院联合培养博士生王豪为文章的第一作者，巴黎高等师范学院博士后胡剑琦为文章的共同第一作者和通讯作者，Sylvain Gigan亦为文章的通讯作者。
图1 文章封面
光的多重散射现象在自然界中无处不在。通常，散射会改变光子的前进路径从而阻碍成像和通信等应用，然而，近些年来，得益于随机矩阵理论和机器学习领域的联系，研究人员发现这种对某些应用场景看似无益的物理现象可以巧妙地转化为一种有利的数据特征提取工具——即利用光学多重散射系统实现大规模的“随机投影”计算。但散射过程本身是一个线性过程，这与深度神经网络的非线性结构形成对比，如何实现光学非线性变换是光计算领域一个重要的科学问题。
该研究团队将大量的铌酸锂纳米晶体随机组装在一起，构成一个薄片，在随机准相位匹配和多重散射的加持下，光计算系统能够高速生成线性基频光和非线性二倍频的散斑数据特征。得益于该光学过程的物理复杂度，此时光学系统类似于一个天然的数据特征提取器，研究人员接着重点探索了光学非线性过程是否可以提升特征提取效果。
图2基于非线性散射介质的光学特征提取示意图
通过大量的数据分析和理论建模，科研人员发现多重散射和二倍频的结合极大得提升了光计算的规模——传统的线性传输矩阵模型升级成了三阶张量模型。同时，这种非线性的引入使得散斑特征在图像分类、变量回归和图数据分类等14个不同复杂度的机器学习任务中表现出显著的性能提升。
图3 基于非线性散射介质提取的数据特征可用于机器学习中的图像识别
值得一提的是，波士顿大学的Tianyu Wang教授对这项研究工作做了亮点评述和推介，并指出了几条具有启发性的讨论。他说道，该研究强调了物理系统能够执行强大的计算，即使这种计算操作和计算形式本身对机器学习领域来说仍然陌生。尽管我们常常认为光学神经网络是人工神经网络的模拟实现，但光学系统并不需要严格遵循现有的计算模型才能发挥作用。在该研究中，由于线性和二次谐波光斑在非线性无序介质中同时生成，非线性特征对应的物理模型难以被任何常规神经网络准确描述。虽然这种光计算系统的复杂度有时会阻碍不同领域的研究人员充分理解某些光学处理器，然而，这可能是通过物理“捷径”实现复杂数学操作、并建立光计算优势的关键。
该研究突破了传统光学随机投影计算的线性限制，展示了多重散射和非线性过程在赋能大规模、高性能光子计算的潜力。研究团队表示，未来可进一步优化该光学神经网络系统的能效和可编程性，并探索其在更广泛应用场景中的潜力，如量子光学计算和光学传感等领域。
文章链接：
https://www.nature.com/articles/s43588-024-00644-1
News & Views:
https://www.nature.com/articles/s43588-024-00648-x
