新闻资讯

News

全部分类 >

首页

2025

Sylvain Gigan、柳强等Light | 光学“下一代储备池神经网络”

作者：

在人工智能时代，循环神经网络犹如具备“动态记忆”的智能体，展现出强大的信息处理能力。其中储备池神经网络（RC）凭借其丰富的模型表达能力与独特的模拟物理系统兼容性，成为光计算领域中的重要架构之一。最近，新一代算法“下一代储备池神经网络”（NGRC）进一步提升了时序数据处理能力，却与物理系统产生“兼容性鸿沟”。

近日，巴黎高等师范学院携手清华大学和香港大学团队，提出了在光学多重散射系统中实现NGRC算法的实验方案，在减小储备池规模、训练数据量和超参数的同时，实现了混沌系统预测能力的跨越式提升，为光计算与非线性动力学系统架起新的桥梁。该研究以“Optical Next Generation Reservoir Computing” 为题发表于Light：Science & Applications。清华大学-巴黎高师联合培养博士生王豪为第一作者，胡剑琦助理教授为共同一作/通讯作者，柳强教授、Sylvain Gigan教授为共同通讯作者。

NGRC的机遇与挑战

从狭义上讲，储备池神经网络是一种特殊的循环神经网络，能够充分利用网络内在的动力学演化特征实现记忆、预测、分类等功能^[1]。RC作为一种“物理友好型”模型，由于其训练简洁性和对复杂非线性物理计算系统的兼容性，在光、电、机械等平台中得到了广泛的部署。近日，一种名为“下一代储备池神经网络”（Next Generation Reservoir Computing, NGRC）的算法，通过融合非线性向量自回归与神经网络的核心思想，仅需少量历史数据就能洞察系统演化规律，进而将时序预测能力推至新高度^[2]。但算法升级却导致与物理系统的兼容性骤降，如何实现可扩展的大规模光学NGRC成为挑战。

多重散射系统的算法新生

NGRC的核心在于利用原始数据合成储备池特征向量，即直接且仅利用多个相邻（或等间隔）的时刻数据在某一函数基底下的特征集合（如多项式基函数的单项式集合）^[3]。研究团队另辟蹊径，从上述算法特点和多重散射光计算系统的物理本质出发重构算法实现方法。他们将不同时刻的时序数据编码进输入光场的相位分布，利用线性散射介质的物理特性，使输出光场强度信号自主生成多项式数据特征——这恰与NGRC的数学内核形成完美映射。

实验表明，该光学NGRC系统不仅能精准预测低维混沌系统（Lorenz63）和大规模时空混沌序列（Kuramoto-Sivashinsky）的短期演化，还能完整复现其长期统计特性。此外，团队探索了光学NGRC观测器，为复杂动力系统的实时监测开辟了新途径。相较于传统光学储备池神经网络^[4]，该光学系统不仅继承了NGRC算法的核心优点，即更小的训练集、更少的超参数、更优的预测性能和更好的可解释性，且拥抱了光计算的潜在扩展优势。