介绍了一种用于矩阵向量乘法和求和的集成光子学TPU，通过利用波长分割复用、纳秒级延迟和基于相变材料的光学多态存储器，结合这些材料、功能和系统的物理协同作用，展示了这种8位光子TPU的性能比电子TPU高2-3个数量级，而占用的芯片面积类似，表明光子专用处理器在增强电子系统方面具有潜力，并且在即将到来的5G网络及其后面的网络边缘设备中表现特别出色。

Feb, 2020

使用WaveY-Net混合数据和物理学方法的卷积神经网络，通过学习物理约束和计算磁场得出电场的方式，针对介电光子结构预测电磁场分布以进行性能优化，提供了一种高速、精准和全面的Maxwell模拟器替代方案，特别适合于周期性硅纳米结构阵列的全局和局部自由形优化。

Mar, 2022

光物理不可克隆函数（PUFs）是可以在任意精度下以任意高概率进行学习的类，即使在存在噪声的情况下也能做到，并且只需要多项式数量的挑战-响应对和多项式限制的计算能力，这在对噪声和挑战向量的分布做了温和的假设之下成立。

Aug, 2023

该研究介绍了一种结合机器学习和设备建模仿真的新方法，采用了量子力学的非平衡格林函数（NEGF）方法进行设备仿真，同时利用卷积生成网络扩展了机器学习方法。实验结果表明ML-NEGF方法相较于标准的NEGF方法具有更快的收敛速度，通过有效学习纳米片晶体管行为的物理特性，大幅提高了Poisson-NEGF耦合仿真的收敛加速度，平均提升了60%，同时保持了相同的精度。

Sep, 2023

基于晶体管的自适应非线性电子网络的非线性学习超材料能够在不需计算机的情况下实现线性系统无法实现的任务，具有快速、低功耗计算潜力，适用于边缘系统如传感器、机器人控制器和医疗设备等，并可以进行大规模制造和研究新兴学习方法。

Nov, 2023

该论文研究了电阻网络作为能效自学习机器的基底的计算能力，并证明电压源、线性电阻、二极管和电压控制电压源（VCVS）组成的电阻网络能够实现任意连续函数，为设计自学习电阻网络提供了建设性的证明方法。

Dec, 2023

提出并展示了一种具有具有空间可重构迷向指数的二维可编程波导器件，能够通过自由传播的波在器件内进行计算，具有进行并行调制的能力，实现了比以往的离散型组件更大规模的光子芯片，为光学处理、智能感应、光谱学和光通信等广泛应用领域带来了更紧凑、更多功能的光子系统。

Feb, 2024

光学物理可不复制函数对多值逻辑机器学习攻击表现出强大的抵抗力，需要大约1000个CRPs来预测响应位比随机情况更好。

Mar, 2024

该论文实现了一个大规模的量子激活循环神经网络，具有超过3万亿个硬件节点/ cm²，并通过每个读出通道的0.07 nW电功率进行控制。与当前报告的最佳性能水平相比，此实现将网络规模扩大了两个数量级，并将功耗降低了六倍，实现了与人脑相当的功率效率，消耗0.2 nW/神经元。该芯片支持比可用技术高三倍的位密度，并具有在1 cm²的面积内存储超过2^1104个密钥的能力。该量子技术平台有助于应对网络犯罪行业对小到大规模设施的认证侵犯。

Mar, 2024

物理不可克隆函数（PUFs）作为物联网设备的有前途的安全原语，根据物理特征提供设备指纹。尽管PUFs的强项，但它们容易受到机器学习（ML）攻击的威胁，包括常规攻击和基于可靠性的攻击。我们发现，大多数选举与高重复次数提供了有效防御措施，可以抵御现有的基于可靠性的ML攻击方法。然而，虽然大多数选举减少但不能消除不可靠性，因此我们探索是否存在可以捕捉高度可靠但并非完美可靠的PUFs的低不可靠性的新攻击方法，推动了新的可靠性表示和新的表示启用攻击方法的发展，该方法实验证明能破解具有高重复次数的大多数选举增强的PUFs。

May, 2024