在基于光脉冲的不同到达时间所构建出的时间合成维度中，提出了通过延迟线的耦合以及动态调制，实现不同脉冲信号之间的线性信号矩阵转化效果，进而在理论上探索了该系统中实现光学神经网络的方案，为光学神经网络的发展提供了全新的策略。

在单个谐振环中通过时间合成维度搭建光学神经网络的示意图。

光学神经网络（ONN）在最近被广泛的研究，其最终目标是在光子系统中实现机器学习。与使用基于电子的计算机等传统神经网络相比，它有望在将来为人工智能设备提供替代解决方案。然而，已经发现的大多数ONN设计依赖于每层中光子器件的数量（N）以及总层数（N），这使得ONN系统需要配备的可外部调控组件数达到N²的数量级，在实际结构上比较复杂，而更换训练目标时必需的组件重置与器件小型化也为ONN的落地带来了挑战。另一方面，光子学中的合成维度被证明可以利用光的不同自由度去搭建任意尺度的人工晶格结构，进而将合成维度与ONN结合，在同等规模的ONN网络下，可以进一步简化实验的设计。

近日，上海交通大学物理与天文学院袁璐琦课题组与陈险峰教授等合作者利用时间合成维度构建了一种光学神经网络，并提出将此光学神经网络用于深度学习，实现识别和分类等功能。该工作在理论上提出了一种利用单个谐振器网络实现光学神经网络的方法。首先利用光脉冲到达时间的固定时间差来构建合成时间维度。其次通过延迟线的耦合以及动态调制，实现不同脉冲信号之间的线性信号矩阵转化效果。然后以光脉冲在谐振环上传播的圈数为光神经网络的层数，以光脉冲到达时间为光学神经网络某一层上的神经元位置，就可以构建出任意大小数量级光学神经网络。

此光学神经网络的算法依赖梯度下降法等一般神经网络的训练算法设计。在工作中，选取了Mnist手写数字集识别和光脉冲列分类进行训练。模拟发现成本函数随着迭代次数的增加而递减，证实了此光学神经网络工作的有效性。此外，研究团队训练光学神经网络来识别由 101 个脉冲组成的五个不同轮廓的光脉冲序列，发现在外加噪音的情况下依旧可以达到理想的分类结果。

CPL Express Letters栏目简介