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

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

本研究提出了一种新的光学神经网络架构 RubikONNs，并通过旋转硬件来编码多个前馈函数，以优化多任务学习，在能源和成本效率方面得到了超过 4 倍的提高。

Apr, 2023

本文提出了一种新的设备到系统硬件软件协同设计框架，使用 Gumbel-Softmax 实现了不同 iable 离散映射到 DONN 的前向函数，使得 DONN 在低精度光学设备上表现出显著的优势，并且已在实验中进行验证。

Sep, 2022

在超低功率机制下，研究光神经网络的行为，证明可以通过直接模拟光信号的随机性行为来训练具有极高噪声水平的光神经网络，实现高精度的确定性图像分类任务。

Jul, 2023

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

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

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

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