光學神經引擎革命性突破！解偏微分方程速度快又省電

偏微分方程（PDEs）是描述多變數互動作用的數學工具，能有效預測複雜物理系統的行為。然而這類方程的求解過程向來耗時耗能，現有計算技術往往需要大量運算資源。猶他大學約翰與瑪西亞·普萊斯工程學院的最新研究帶來突破性進展：透過光學編碼技術，將這些方程式輸入他們新開發的「光學神經引擎」（Optical Neural Engine, ONE）。

研究團隊將繞射式光學神經網路與光學矩陣乘法器結合，創造出這套創新系統。不同於傳統數位運算方式，ONE系統利用光波特性（如強度與相位）來表徵變數。當光波透過一系列光學元件時，這些特性會逐步轉變，最終呈現出偏微分方程的解。

該研究由電機與電腦工程學系助理教授高威魯及其研究團隊博士生陳瑞陽主導，相關成果已發表於《自然通訊》期刊。陳瑞陽指出：「偏微分方程是替代昂貴實體實驗的重要計算工具，但現有數值模擬方法效率不彰，連電子式機器學習技術也無法滿足速度需求。」

傳統以機器學習解偏微分方程的方法，需將方程式傳遞至計算節點網路進行權重運算。研究團隊將此概念移植到光子裝置上，高威魯說明：「ONE系統能接收時空物理量輸入資料，預測對應的時空物理量輸出。」相較電子運算，這種光學方法不僅加速學習過程，更能大幅降低能耗。

前高威魯實驗室成員、現任勞倫斯伯克利國家實驗室研究科學家的唐英恆（論文第一作者）強調：「光學途徑在機器學習過程的能耗表現明顯優於電子方式。」研究團隊已成功將ONE系統應用於多種偏微分方程求解，包括達西滲流方程、消磁中的靜磁泊松方程，以及不可壓縮流體的納維-斯托克斯方程。

高威魯以達西方程為例解釋：「該方程描述流體在多孔介質中的運動。只要輸入介質的滲透率與壓力場資料，ONE架構就能學習這些特性間的對映關係，無需實驗即可預測流動特性。」這項技術為地質探勘、晶片設計等大規模科學工程計算，開創了嶄新且強效的運算平臺。

[end]