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, NSR）。

这项研究的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。研究团队使用了一种特殊的“双色光引发剂树脂”作为神经网络的硬件基底。这种材料单独受可见光照射可发出绿光，单独受紫外光照射不发出绿光；但如果先用紫外光照射，紧接着再用可见光照射，材料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绿色荧光。这就像是“巴甫洛夫的狗”建立起条件反射，学会了在只听到铃声时也分泌唾液。

利用这一“联想学习”机制，研究团队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’，如图2所示。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。

这种方法也颠覆了当前主流的“自下而上”的光学神经网络硬件制造范式。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，最后像搭积木一样用器件搭成一个具有神经网络结构的计算系统，因此称为“自下而上”。而张晗教授团队提出的“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，在图3中，作者展示了一种可能的应用场景，地铁运行中不同的噪音往往代表了不同种类的故障，因此可以通过对噪音的分类判断地铁运行故障种类，联系到本文所提出的方法，我们可以将不同的噪音通过应变发光材料转化为不同的光学图案，这些光学图案相当于图2中的字母图案，因此可以用类似的方法训练光子神经网络并完成分类任务。

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。

文章信息：

Pavlov’s experiment-inspired optical neural networks based on dual-color fluorescence switching effect

Songrui Wei, Kunbin Huang, Dingchen Wang, Shangcheng Yang, Haiyan Huang, Xiao Tang, Yanqi Ge, Bowen Du, Zhi Chen, Zhongrui Wang, Shuqing Chen, Dror Fixler, Dianyuan Fan, Han Zhang*

National Science Review, nwag029,