本文提出了一种基于物理的训练框架和稀疏技术的交错光学神经网络，可显著提高数字仿真与实际部署之间的预测精度，并在 MNIST、FMNIST、KMNIST 和 EMNIST 上分别实现了 35.7％、34.2％、28.1％和 27.3％的减小粗糙度且只有少量的精度损失。

Apr, 2023

使用 photon 而非 electron 进行类脑计算的光子神经网络通常能实现更强的计算性能。本文提出了一种全光学图表示学习体系结构，称为衍射图神经网络（DGNN），它基于集成的衍射光子计算单元（DPUs），能够处理图结构数据。DGNN 捕获节点邻域之间的复杂依赖性，并通过图结构上的光速光传递消除非线性过渡函数。该工作为使用深度学习高效处理大规模图数据结构的应用特定集成光学电路设计开辟了一条新的道路。

Apr, 2022

光学神经架构（ONA）使用具有优化的物理参数的编码元素进行智能测量，提出了一种物理信息量化感知训练框架，该方法在训练过程中考虑了物理约束，导致了稳健的设计。在不同量化水平和数据集上进行了大量实验，表明我们的方法导致了对量化噪声稳健的 ONA 设计。

Oct, 2023

使用光学全衍射深度神经网络 (D2NN) 进行手写数字分类和成像透镜功能的学习，可以在光速下执行复杂函数，该技术具有潜在的光学图像分析和对象分类应用，并能够实现独特的任务。

Apr, 2018

本文介绍了利用深度学习设计 Diffractive Deep Neural Networks (D2NNs) 进行光计算，在特征工程和集成学习方面的改进，以提高其图像分类准确度，并在 CIFAR-10 测试图像上达到了 61.14％和 62.13％的盲测试准确率，是目前任何衍射光神经网络设计方法在相同数据集上所取得的最高推理准确度，并可能提供跨越衍射光影像分类和机器视觉系统应用空间的重大飞跃

Sep, 2020

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

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

提出了量子光学神经网络（QONN）的概念，并利用集成量子光子学等技术，通过数值模拟和分析培训 QONN，可执行一系列量子信息处理任务，包括压缩、强化学习、黑盒量子模拟等，并展示了其泛化数据的能力。结果表明 QONNs 是量子光学系统的有力设计工具，是下一代量子处理器的一种有前途的架构。

Aug, 2018

光学成像和传感系统基于衍射元件取得了巨大的进展，最近使用深度学习和数字神经网络的研究努力使衍射处理器与数字神经网络合作优化，建立了输入电磁波与后端处理数字化信息之间的新的 “衍射语言”，从而为各种应用提供了巨大的潜力。

Jun, 2024

提出了一种新颖的大卷积核变形材料神经网络（LMNN），通过模型重新参数化和网络压缩来最大化最先进的元件网络（MNN）的数字容量，并明确考虑了光学限制，实验结果证明这种优化的混合设计提高了分类准确性同时减少了计算延迟。

Jul, 2023