image: 可见光相当于食物，紫外光相当于铃声，发出绿光相当于狗流口水。 view more
Credit: ©《中国科学》杂志社
深圳大学张晗教授团队从一个世纪前的经典条件反射实验中汲取灵感，成功开发出一种全新的、无需传统计算即可“自我训练”的光学神经网络。这项突破性成果有望为下一代人工智能硬件，特别是边缘计算设备，铺平道路。该研究近期发表于《国家科学评论》（National Science Review），其核心在于巧妙地模仿了俄国生理学家伊万·巴甫洛夫著名的“狗与铃铛”实验。在巴甫洛夫的实验中，狗通过将铃声（中性刺激）与食物（非条件刺激）反复关联，最终学会了仅在听到铃声时就分泌唾液（条件反射）。
研究团队将这一生物学习原理转化为物理现实。他们使用了一种特殊的“双色光引发剂树脂”作为神经网络的硬件基底。在这种材料中：紫外光（UV） 扮演了“铃声”的角色。可见光（绿光） 扮演了“食物”的角色。材料发出的绿色荧光则代表了“唾液分泌”这一学习成功的信号。无论是巴普洛夫原来的实验还是光学实验，刺激的顺序至关重要，只有当紫外光照射后紧接着用可见光照射，材料才会发生不可逆的聚合反应，并在此后再次受到紫外光照射时发出强烈的绿色荧光。这就像狗只有在铃声之后得到食物，才会建立起条件反射。如果顺序颠倒或单独使用任一种光，则无法产生这种“学习”效果。
利用这一“联想学习”机制，研究团队成功构建了一个物理的光学神经网络。在实验中，他们直接用光对网络进行“训练”，使其能够识别字母‘N’、‘V’和‘Z’。当输入一个未知的紫外光图案时，网络会通过其内部预先“学习”好的聚合物结构，直接输出一个绿色荧光图案作为识别结果，整个过程完全在光学层面完成，无需任何电子计算或耗时的反向传播算法。这种方法颠覆了当前主流的“自下而上”硬件制造范式。传统方法需要先在计算机上通过大量计算确定神经网络的“权重”，然后再想办法用物理器件去实现这些权重。而张晗团队提出的“自上而下”方法，则是将权重的“计算”与“物理实现”合二为一——通过直接的光学训练，让材料自己“长出”所需的连接权重。
研究人员表示：“你只需要提供输入和期望的输出模式，系统就会自主地在微观层面配置好必要的连接。”该技术展现出巨大的应用潜力，尤其是在边缘计算领域。基于此原理的设备可以在无外部电源的情况下运行，具有极高的鲁棒性和超低的制造成本，非常适合部署在资源受限或环境严苛的场景中，例如工业故障实时监测、物联网传感器节点等。尽管目前该原型网络还较为简单，但研究团队已通过仿真证明了其可扩展性，成功将其应用于手写数字识别。未来的研究将聚焦于解决两个关键挑战：一是开发具有“遗忘”能力的可逆材料以增强灵活性；二是探索如何在光学系统中引入非线性，以构建更深层、能处理更复杂任务的网络。这项工作成功地在生物智能与人工智能之间架起了一座桥梁，为开发真正自适应、可大规模部署的下一代人工智能系统提供了全新的思路。