基于BIC亚表面的光子神经形态计算
机器学习
2026-02-27 v1 人工智能
摘要
光子神经形态计算承诺为并行和高速处理带来革命性进展，但仍存一个关键挑战：单片集成非线性、稠密连接和内在记忆，以实现类脑的时空信息处理。本文通过引入一种基于界限状态在连续边界（BIC）的活性亚表面构成的单片光子循环网络来克服这一挑战。BIC模式在晶格中实现强而长程的耦合，创建硬件中可重构的循环网络拓扑。同时，增益介质同时提供用于神经元激活的光学非线性以及有限的载流子寿命，作为内置的、类比的时序记忆。这种协同效应使计算直接从驱动-耗尽的光子系统的集体时空动力学中涌现，有效实现了芯片上的物理储备计算机。我们在基准任务上实验验证了最小且物理上完整的系统：脑MRI图像分类和人类动作识别，分别达到92.16%和85.36%的准确率。这一工作为向 ultrafast、能源高效的神经形态智能开辟可扩展的路径，使得处理成为精心设计的光-物质相互作用的内在属性。
引用
@article{arxiv.2602.22527,
title = {Predicting Tennis Serve directions with Machine Learning},
author = {Ying Zhu and Ruthuparna Naikar},
journal= {arXiv preprint arXiv:2602.22527},
year = {2026}
}