研究使用多次散射的方法，在低光功率下实现具有程序控制的线性和非线性变换，实现光学多层网络的实现

Jul, 2023

本文提出了一种中心定向长短记忆网络（Co-LSTM）结合简化模式和回收机制的方法，以实现在具有超低复杂度的相干光通信系统中减轻纤维非线性。

Aug, 2021

我们提出一种基于物理的机器学习模型来处理光纤通信中的非线性斯格明子方程，这个模型可以用于数字反传播（DBP），可以有效地逆转非线性方程，而且使用可训练的过滤器可以极大地降低其复杂性。

Oct, 2020

通过利用复杂的非线性光学处理器，利用光学计算实现简化的机器学习模型来进行图像分类。

Aug, 2022

通过使用多模光纤，我们提出了一个信息理论框架来传输最大熵（数据）图像，并通过千米以内的距离最大化信息传输，通过不同的差分可微神经网络来检索图像，最终能够以最大化的信息页大小恢复出数字输入图像。

Jan, 2023

通过深度学习优化，可以显著降低纤维光通信中非线性薛定谔方程求解的复杂度，使得使用分裂步傅里叶法比线性均衡算法只多 2-6 倍计算量即可获得类似的准确性。

Apr, 2018

通过深度学习的扰动多模光纤成像已经得到广泛研究，然而现有方法主要使用不同配置下的目标 - 散斑对，而没有经过训练的网络很难重建目标。本文提出了一种基于物理辅助的无监督学习光纤成像方案，物理先验的作用是简化散斑图案与目标图像之间的映射关系，从而减少计算复杂性。无监督网络根据物理先验提供的优化方向学习目标特征，因此在线学习的重建过程只需要少量的散斑图案和不成对的目标。该方案还增加了在扰动多模光纤中的基于学习的方法的泛化能力，具有扩展多模光纤成像应用的潜力。

Nov, 2023

使用循环神经网络的机器学习模型，不需要直接数值求解传输模型，就可以准确地预测光纤中高阶孤子压缩和超连续谱的时频演化，从而为脉冲压缩和宽带光源的优化提供了新方案。

Apr, 2020

介绍了一种利用混沌光学的技术为 Edge 计算设备提供了一种新的、能够提高运算性能且能够处理高度非线性特征的平台。

Jul, 2023

本文研究了 Transformer 网络中的自注意力矩阵，重点分析了稀疏模式的逼近。我们证明了通过固定自注意力参数，采用不同的输入即可逼近各种稀疏矩阵，并提出了一种基于随机映射技术的构造性证明和算法。尤其是，在保持矩阵元素比率不变的精度下，仅需要 $log L$（L 为序列长度）的 $ d $ 即可逼近任何稀疏矩阵。

Jun, 2021