美国犹他大学工程学院团队在新一期《自然·通讯》杂志上发表了一项突破性研究，提出将偏微分方程的信息编码到光波中，并通过一种名为光学神经引擎(ONE)的新型光学设备进行高效处理。该成果标志着光学计算从理论探索向实际应用迈出了重要一步，为下一代高性能计算技术的发展开辟了新方向。
偏微分方程是一类重要的数学问题，用于描述多个变量之间的相互作用关系，在模拟复杂的物理、工程和自然现象中具有强大的预测能力。然而，求解这些方程长期以来一直是科学与工程计算中的重大挑战。目前用于求解偏微分方程的计算技术通常需要大量的时间和计算资源，这限制了其在实时或大规模应用中的可行性。
ONE系统结合了衍射光学神经网络和光学矩阵乘法器的技术优势。它不以传统的数字方式表示偏微分方程，而是采用光学方法对其进行建模。具体来说，是利用光波的不同特性(如强度和相位)来表示方程中的各个变量。当光波穿过ONE中的一系列光学元件时，这些光信号会随着传播过程不断演化，最终呈现出对应于特定偏微分方程解的状态。
这种方法借鉴了当前机器学习中神经网络的基本原理：在传统电子神经网络中，输入信号通过一系列计算节点传递，每个节点对输出进行加权调整，直到最合适的解成为最终输出。ONE将这一思想引入光学领域，利用光子器件实现类似功能，但速度更快、能耗更低。
团队在多种经典的偏微分方程上进行了测试，包括达西流方程(用于地下水流动建模)、退磁过程中的静磁泊松方程以及不可压缩流体中的纳维-斯托克斯方程(广泛应用于流体力学)。结果显示，ONE在这些复杂问题上，均表现出良好的适应性和准确性。
这项研究成果为未来在大规模科学计算和工程仿真领域提供了一个多功能、高效率的全新平台，有望在地质建模、芯片设计、气候模拟等多个关键领域产生深远影响。
|
