美國猶他大學工程學院團隊在新一期《自然·通訊》雜志上發表了一項突破性研究，提出將偏微分方程的信息編碼到光波中，並通過一種名為光學神經引擎（ONE）的新型光學設備進行高效處理。該成果標志著光學計算從理論探索向實際應用邁出了重要一步，為下一代高性能計算技術的發展開辟了新方向。

偏微分方程是一類重要的數學問題，用於描述多個變量之間的相互作用關系，在模擬復雜的物理、工程和自然現象中具有強大的預測能力。然而，求解這些方程長期以來一直是科學與工程計算中的重大挑戰。目前用於求解偏微分方程的計算技術通常需要大量的時間和計算資源，這限制了其在實時或大規模應用中的可行性。

ONE系統結合了衍射光學神經網絡和光學矩陣乘法器的技術優勢。它不以傳統的數字方式表示偏微分方程，而是採用光學方法對其進行建模。具體來說，是利用光波的不同特性（如強度和相位）來表示方程中的各個變量。當光波穿過ONE中的一系列光學元件時，這些光信號會隨著傳播過程不斷演化，最終呈現出對應於特定偏微分方程解的狀態。

這種方法借鑒了當前機器學習中神經網絡的基本原理：在傳統電子神經網絡中，輸入信號通過一系列計算節點傳遞，每個節點對輸出進行加權調整，直到最合適的解成為最終輸出。ONE將這一思想引入光學領域，利用光子器件實現類似功能，但速度更快、能耗更低。

團隊在多種經典的偏微分方程上進行了測試，包括達西流方程（用於地下水流動建模）、退磁過程中的靜磁泊鬆方程以及不可壓縮流體中的納維-斯托克斯方程（廣泛應用於流體力學）。結果顯示，ONE在這些復雜問題上，均表現出良好的適應性和准確性。

這項研究成果為未來在大規模科學計算和工程仿真領域提供了一個多功能、高效率的全新平台，有望在地質建模、芯片設計、氣候模擬等多個關鍵領域產生深遠影響。（記者張夢然）

分享讓更多人看到