编辑推荐：
为解决 AI 计算需求与硬件发展不匹配、传统光学网络及 D2NN 部署依赖电子网络等问题，研究人员提出基于光纤阵列的全光神经网络。实验表明该结构具强非线性映射能力，环境噪声影响约 1%，还可实现多维目标识别，为相关领域提供新方案。
在人工智能飞速发展的今天，大模型训练面临着计算需求呈指数级增长与硬件发展相对缓慢的矛盾，高功耗和长训练时间成为突出问题。传统电子神经网络在处理大规模数据时力不从心，而基于光学计算的传统光学网络和衍射深度神经网络（D2NN）也存在部署挑战及对电子网络的依赖。在此背景下，探索新型计算架构以突破瓶颈迫在眉睫。
为解决这些问题，中国科学院长春光学精密机械与物理研究所的研究人员开展了基于多通道集成光纤的改进型全光子衍射神经网络研究。相关成果发表在《iScience》上，为光学计算领域带来了新的思路和方向。
研究人员主要采用了以下关键技术方法：构建了由光纤阵列、衰减器和非线性耦合器组成的全光神经网络结构。光纤阵列用于离散提取目标图像特征，衰减器调节光强，非线性耦合器实现特征矩阵的集成与非线性映射。通过光谱仪检测输出光强信号，结合光谱信息实现多维目标识别。同时，引入最大差异系数（MDC）评估网络的非线性能力，分析不同波长和结构配置对性能的影响。
实验结果与分析
非线性映射能力验证
通过不同目标（水平线、块、垂直线）在 4 种波长（565nm、625nm、840nm、1550nm）下的测试，发现未经训练的随机结构仍展现出显著的非线性映射能力。例如，在 1550nm 波长下，不同目标在输出端口的强度差异超过 100%，且目标序列无重叠，表明该结构具备强分类潜力。
环境适应性与噪声影响
实验显示，环境因素和设备噪声对目标识别的影响约为 1%。即使在红外波段（1550nm），尽管输出对环境更敏感，但相对标准偏差仍控制在 1% 左右，验证了光纤传输架构的高鲁棒性。
光谱融合与多维识别
将光学神经网络与光谱分析结合，不仅能识别目标形状，还可区分材料类型。例如，通过光谱差异成功区分玻璃与塑料材料目标，并结合网络输出实现形状分类，为复杂场景下的多维目标识别提供了新方法。
结论与意义
该研究提出的基于光纤阵列的全光神经网络，突破了传统光学网络对电子系统的依赖，仅通过硬件结构实现非线性映射和目标分类。其优势包括低功耗、高鲁棒性和光谱感知能力，在目标检测、机器视觉及多维传感等领域具有广阔应用前景。此外，结合光谱分析的多维识别能力，为材料分析与形状识别的同步实现提供了有效途径，有望推动光学计算在人工智能领域的实际应用。研究为缓解 AI 计算的硬件瓶颈提供了新方向，展现了全光网络在未来智能系统中的巨大潜力。
