原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一台计算机，它不像你的笔记本电脑那样以缓慢的电脉冲步骤进行思考，而是以光速处理信息，直接使用光脉冲作为“脑细胞”。这就是**光学神经网络（ONNs）**的承诺。然而，当前版本的光基计算机存在一个主要瓶颈：它们大多在“稳态”下工作（如同持续的水流），当需要进行决策（非线性步骤）时，必须停止光，将其转换为电，进行处理，然后再转换回光。这既缓慢又浪费能量。
曹及其同事的论文提出了一种构建这些计算机的新方法，利用量子物理完全通过光来处理“思考”，无需中途使用电。他们称之为“全光学”系统。
以下是他们系统的工作原理，通过三个日常类比分解为三个简单部分：
1. 突触（“音量旋钮”）：巨腔干涉
在人脑中，突触是神经元之间可强可弱的连接。在这台新计算机中，他们使用一个“巨腔”（一种特殊的光盒），在多个点与波导（光的管道）相连。
- 类比：想象你在峡谷中呼喊。如果你从一个位置呼喊，回声会很响亮。如果你从不同位置呼喊，回声可能会抵消或发生变化。通过稍微移动你的嘴（改变相位），你可以精确控制回声的响度。
- 技术：研究人员利用这种“回声效应”（非局域干涉）作为突触权重。他们只需调整连接的时序（相位），即可调节通过的光信号“音量”。这使得他们能够瞬间用光进行乘法运算，而无需电子控制。
2. 求和（“水桶”）：时间积分
大脑中的神经元在决定发放信号之前，会汇总从其他神经元接收到的所有信号。在这个系统中，他们需要累加依次到达的一系列光脉冲。
- 类比：想象一个漏水的桶。通常，如果你往里倒水，水会漏出来。但是，想象你有一个神奇的泵，它以完全相同的速率向桶中加水，恰好抵消泄漏。现在，你倒入的每一滴水都留在桶里，水位上升，代表你添加的所有水滴的总和。
- 技术：他们使用一个“坏腔”（一个漏水的盒子），但添加了一个特殊的泵来补偿泄漏。随着光脉冲逐个到达，系统相干地将它们累加为一个存储的单脉冲。有趣的是，论文指出，该系统固有的“噪声”或抖动实际上有助于计算机更好地学习，类似于摇晃一盒弹珠有助于它们 settle 到更好的排列中。
3. 激活（“决策者”）：二能级系统
一旦信号被累加，神经元就需要决定：“我是否发放信号？”这需要非线性步骤（阈值）。在大多数光学计算机中，这是最难的部分，通常需要电。
- 类比：想象一扇弹簧门。如果你轻轻推它，它不会打开。如果你用力推，它会大幅打开。但如果你推得太用力，它会撞到限位器，无法开得更大。门的反应取决于你推的力度。
- 技术：他们使用一个单原子（二能级系统）与光相互作用。当弱光脉冲击中它时，原子会吸收它或轻微改变它。当强光脉冲击中它时，原子会“饱和”（就像门撞到限位器），让光大部分原样通过。这完全通过量子力学定律产生了一个自然的、超快的非线性激活函数，无需任何电力。
结果
研究人员在计算机上模拟了整个系统，以观察它是否能学习。他们教会它两项任务：
- 识别手写数字（著名的 MNIST 数据集）。
- 识别彩色物体。
该系统在数字识别上达到了97.6%的准确率，在物体识别上达到了92.3%。这与传统的电子神经网络相当。
为什么这很重要
论文声称这是一个突破，因为：
- 全光学：它消除了缓慢的“光 - 电 - 光”转换步骤。
- 快速：它利用了光和原子的自然超快动力学。
- 鲁棒性：即使硬件不完美（例如，“漏水的桶”没有完美平衡），系统也能良好工作，因为噪声实际上有助于学习过程。
简而言之，他们设计了一种计算机大脑的蓝图，其中的“神经元”由与原子相互作用的光脉冲组成，以光速进行计算，无需停下来请求计算机芯片的帮助。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。