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

光学是下一代机器学习计算硬件的令人激动的方向，能够在计算速度和能源效率方面提供数个数量级的增强。本研究首次提出了一种简单而通用的方案，通过饱和吸收体作为激活单元，并通过泵浦 - 探测过程实现所需的性能以解决光学实现反向传播的挑战，从而展示了完全依赖于模拟光学过程进行训练和推理任务的神经网络的构建可能性。

Aug, 2023

本文提出了一种新的方法，使用伴随变量方法导出光子反向传播算法的光学模拟，并通过在设备内进行强度测量来准确获得这些梯度，从而大大提高了光学神经网络的训练效率。

May, 2018

本研究提出了一个基于模型的优化框架，用于从加工样本的空间频率响应中构建代理相机，进而为训练基于学习的算法提供光学畸变和随机制造偏差的合成数据对，并利用超扩张全方位动态卷积来纠正制造降解，从而实现全面的计算摄影。

May, 2023

我们提出了一种超光谱存储体系结构，通过将空间复用与频率复用光频梳相结合，并利用空间光调制器作为可编程光学存储器，从而提高计算吞吐量和能源效率。我们在矩阵 - 向量乘法和矩阵 - 矩阵乘法中实验性地演示了高于 4 位精度的乘累加运算，这表明了该系统在各种深度学习和优化任务中的潜力。我们的方法展示了超越传统光学计算体系结构的非凡模块化性，可扩展性和可编程性，并显着超越了 peta（每秒百万亿次）操作，标志着实现高吞吐量、高能效光学计算的重要进展。

Oct, 2023

我们引入神经光刻术来解决计算光学中的 ' 设计到制造 ' 差距问题，并通过两个任务演示了其有效性。

Sep, 2023

光学计算在这篇论文中发挥了重要作用，提出了一个基于芯片的物理信息神经网络（PINNs）训练框架，用于高维偏微分方程的求解，具有相当低的能量消耗和超低的延迟。

Dec, 2023

利用自由空间光学前端单元实现第一层的线性操作，然后通过电子方式实现后续层的混合光电架构，在 Kaggle 猫狗挑战数据库中获得了 87% 的图像分类精度。

Dec, 2018

我们提出了一种光信号处理方案，在检测之前通过适当设计的线性变换器对光信号进行空间重新分布，以增强视觉感知任务的检测噪声鲁棒性，并通过 MNIST 分类的基准测试进行了验证。这种计算优先的检测方案可以推动广泛应用于工业和国防领域的红外机器视觉技术的发展。

Mar, 2024

本文首次证明了深度神经网络可用于计算成像中的反问题，并通过训练 DNN 成功地在无镜成像系统中恢复出相位物体。

Feb, 2017