非互惠的表面等离子神经网络用于解的双向模拟计算.
Xiaomeng Li1,2, Haochen Yang1,2, Enzong Wu1,2
1International Joint Innovation Center, Zhejiang Key Laboratory of Intelligent Electromagnetic Control and Advanced Electronic Integration, Zhejiang University, Haining, China.
Nature communications
|August 19, 2025
概括
研究人员开发了一个非互惠的光学神经网络,使用伪造的表面等离子体极子. 这一突破解了前进和后退的路径,为先进的人工智能计算提供了独立的双向算法.
科学领域:
- 光子学 是一个光子学.
- 人工智能的人工智能
- 材料科学 材料科学 材料科学
背景情况:
- 光学神经网络为人工智能提供高速和低功耗,但相互设计将前向和后向信号路径结合起来.
- 这种合限制了向后路径的探索,阻碍了综合感知响应系统.
- 现有的光网络缺乏对信号方向性的独立控制.
研究的目的:
- 介绍一种新的非互惠神经网络架构.
- 在光学网络中将前向和后向信号传播脱.
- 为了实现计算函数的灵活调制和独立的双向算法.
主要方法:
- 在假表面等离子体极子子传输线路中利用增强的磁光效应.
- 通过磁化方向和操作频率,利用费里特调节计算功能.
- 演示宽带双向脱图像处理和矩阵解决操作.
主要成果:
- 在光学神经网络中成功分离了前向和后向路径.
- 实现了网络计算功能的灵活调制.
- 在同一结构内证明独立控制和信号隔离.
- 模拟单向传输类似于生物网络.
结论:
- 开发的非互惠神经网络可以独立控制双向信号路径.
- 这种架构为模拟计算和集成感知响应系统的新型应用提供了便利.
- 为人工智能和信号处理中的非互惠架构开辟了途径.
