本文提出了一种基于 Taylor 级数近似的自组织操作神经网络 Self-ONNs，旨在解决卷积神经网络在图像复原方面的不足问题，并在三个不同的复原任务上进行了广泛的消融实验以证明其优越性。

Aug, 2020

本研究提出了一种新的神经网络模型，其中包含了 2D 自组织 ONNs 和可变形卷积。在 IAM 英语数据集和 HADARA80P 阿拉伯语数据集上，将 Self-ONNs 操作层与可变形卷积相结合，大幅减少了字符错误率和词错误率，且性能显著优于传统深度 CNN 模型。

Jul, 2022

本文提出一种新的光学神经网络（ONN）框架，模拟人眼视网膜中心附近的高分辨率，实现了图像分类估计的标量不变性，并且通过同维孪生（Siamese）结构将不同缩放级别的图像输入通过相同的卷积神经网络（CNN）进行处理，最终的结果可用于提高现有算法中的准确性。

May, 2018

我们提出了一种新颖的、受大脑启发的深度神经网络模型，称为深层振荡神经网络 (DONN)。DONN 具有振荡内部动态，可以在信号和图像 / 视频处理的多个基准问题上提供与已发表结果相当或更好的性能。

May, 2024

本文提出了一种使用神经进化学习策略来设计和训练光学神经网络（ONNs）的新方法。通过使用两种典型的神经进化算法来确定 ONNs 的超参数并优化连接中的权重（相移器），本研究证明了该训练算法是有效的，且在对虹膜植物数据集，葡萄酒识别数据集和调制格式识别等分类任务上展示出与其他传统学习算法相当的能力和稳定性。

Aug, 2019

通过使用多操作光神经元 (MOON) 和 Mach-Zehnder 干涉仪 (MOMZI) 构建的光学点积引擎，本文构建了基于 optoelectronic 混合计算的神经网络，并在街景房号识别数据集中实现了 85.89% 的分类精度，相较 传统的 单操作光调制器具有更少的传播损耗、更少的光学延时、更小的设备占地面积和可比的矩阵表达能力

May, 2023

光衍射神经网络（DNN）是光神经网络（ONN）的一种子集，展现了与电子网络相当的实力。本研究引入了混合衍射神经网络（HDNN），这是一种新颖的架构，将矩阵乘法纳入 DNN 中，以充分利用传统 ONN 和 DNN 的优势，以克服光衍射神经网络固有的调制限制。利用单一相位调制层和幅度调制层，经过训练的神经网络在模拟和实验中的数字识别任务中表现出了 96.39% 和 89% 的显著准确性。此外，我们开发了一种称为 Binning Design（BD）的方法，有效缓解了衍射单元采样间隔所造成的约束，大大简化了实验流程。此外，我们提出了一种片上 HDNN，不仅采用分光的相位调制层来提高集成级别，而且显著放宽了器件制造要求，用 1 位量化设计的缓解表面替代了超表面。此外，我们构想了一种全光 HDNN 辅助的病变检测网络，实现的检测结果与模拟预测完全一致。本研究不仅推动了 DNN 的性能提升，还为产业级光神经网络的生产铺平了道路。

Apr, 2024

通过开发基于普通微分方程的递归神经网络 (RNN) 方法来建模和量化滞后现象，这一研究突出了神经振荡器相对于传统 RNN 方法在捕捉磁性材料中复杂滞后模式方面的优势。

Aug, 2023

本文提出了一种新的芯片上学习框架，可以快速、高效地优化光神经网络的性能，避免了传统方法的实施成本。该框架可有效解决资源约束下的无噪音优化问题，具有较好的优化稳定性与高效性，适合实际部署。

Dec, 2020

本文提出基于量子人工神经元思想的混合量子边缘检测方法，可在现阶段的噪声中等规模的量子计算机上实现，并通过方法的可扩展性实现了比以往更大范围的图像边缘检测。

Mar, 2022