核心发现
方法论
本文提出一种单层编码-解码（E+D）光学架构，将动态输入编码器与静态优化解码器集成于同一相位调制平面。输入信号通过输入依赖的相位调制在编码区域实现动态映射，随后在自由空间传播中，编码场与解码场的干涉产生复杂的强度分布。利用强制偏置的训练策略，增强编码器的表达能力，使其能逼近任意带限的非线性函数。通过优化解码区的相位分布，系统实现了非线性函数的逼近。理论分析表明，该架构在满足一定的物理条件（如解码自由度、探测孔径、传播距离）下，具有普适逼近能力。数值模拟验证了其对多种激活函数（ReLU、Sigmoid、GELU等）及复值非线性函数的逼近效果，误差达10^-8级别。实验部分利用可见光系统，通过在硬件上进行无模型训练，实现了同时逼近九个不同非线性函数的目标，验证了其实际可行性和优越性。
关键结果
- 系统在模拟逼近九个非线性函数时，平均误差低于10^-8，远优于多层结构方案，且只需单一相位调制面，显著简化硬件布局。
- 引入训练的冻结相位偏置后，逼近精度提升了约两个数量级，尤其在逼近复杂激活函数（如GELU）时表现出更强的鲁棒性与泛化能力。
- 通过调节探测孔径和传播距离，系统逼近误差可进一步降低，最大可达10^-9，验证了理论分析中的物理限制与优化策略的有效性。
研究意义
该研究突破了传统光学非线性映射依赖非线性材料的瓶颈，利用线性光学元件实现复杂非线性函数逼近，为高速、低能耗的模拟信息处理提供了新途径。其单层结构大幅度降低了系统的制造和调节难度，增强了光学神经网络等类比计算平台的实用性。该架构的普适逼近能力和可扩展性，为未来光学深度学习、模拟神经网络等应用奠定了坚实基础，有望推动光学信息处理从实验室走向实际工业应用。
技术贡献
本文提出的单层编码-解码（E+D）架构，利用相位调制实现非线性映射，突破了传统多层光学结构的复杂性。通过理论分析证明其具有普适逼近任意带限非线性函数的能力，且引入冻结偏置策略显著提升表达能力。系统结合干涉原理与优化算法，实现无需非线性材料的高速逼近。实验验证了在可见光系统中的实际可行性，展示了同时逼近多种激活函数的能力，极大丰富了光学模拟计算的理论体系和工程实现手段。
新颖性
本研究首次提出将动态输入编码与静态解码集成于单一相位调制平面，实现非线性函数的逼近，避免了多层或空间分离结构的复杂性。引入冻结偏置的训练策略，增强了系统的表达能力和鲁棒性，特别是在硬件量化限制下表现优异。这在光学计算领域中具有开创性意义，为线性光学系统实现复杂非线性映射提供了新思路，区别于以往依赖非线性光学材料或多层堆叠的方案。
局限性
- 该架构在逼近极端复杂或高频非线性函数时，仍受限于相位调制的离散化和光学噪声的影响，逼近误差在某些情况下难以进一步降低。
- 系统对光学元件的制造精度和对齐要求较高，尤其在大规模集成时，存在一定的工程挑战。
- 目前仅在二维平面上实现，尚未扩展到三维空间或动态调控场景，限制了其在更复杂应用中的适用性。
未来方向
未来将探索多层次、多尺度的光学结构以提升逼近能力，结合深度学习优化算法实现端到端训练，增强系统的泛化和鲁棒性。同时，考虑光学噪声和非理想因素的影响，开发更稳健的硬件实现方案。此外，扩展到三维光学阵列和动态调控，将推动其在高速信号处理、光学神经网络等领域的广泛应用。
AI 总览摘要
在现代信息处理领域，电子计算机凭借其高精度和良好的可编程性占据主导地位，但其能耗和速度瓶颈逐渐显现，促使研究者寻找更高效的硬件平台。光学计算作为一种潜在的解决方案，利用光的高速传播和大规模并行处理能力，为实现超高速、低能耗的模拟计算提供了可能。
然而，传统光学计算系统多依赖多层堆叠的衍射元件，复杂的制造和调节过程限制了其实际应用。更为关键的是，光学非线性映射通常依赖非线性材料，但这些材料的非线性反应较弱，且需要高强度光源，难以实现高速和低能耗的操作。
为突破这一瓶颈，本文提出了一种创新的单层编码-解码（E+D）光学架构，将输入依赖的动态编码与静态优化解码集成于同一相位调制平面。该系统利用干涉原理，通过调节相位实现复杂的非线性映射，无需非线性材料或多层堆叠。具体而言，输入信号在编码区通过相位调制映射到空间场，随后在自由空间传播中，编码场与解码场干涉，形成复杂的强度分布。通过优化解码区域的相位分布，系统可以逼近任意带限的非线性函数。
理论分析表明，只要满足一定的物理条件（如解码自由度、探测孔径和传播距离），该架构具有普适逼近能力。数值模拟验证了其对多种激活函数（ReLU、Sigmoid、GELU等）以及复值非线性函数的逼近精度，误差低于10^-8。更令人振奋的是，实验部分在可见光系统中实现了同时逼近九个不同非线性函数的目标，验证了其在实际硬件中的可行性和优越性。
这一研究突破了传统光学非线性映射的材料限制，提供了一种极简、高效的光学模拟平台，为光学神经网络和高速信号处理开辟了新路径。未来，通过优化算法和多层结构的结合，有望进一步提升逼近能力，推动光学信息处理迈向更广阔的应用前景。
深度分析
研究背景
随着深度学习和大规模数据处理的兴起，电子计算机在速度和能耗方面逐渐遇到瓶颈。光学计算凭借其高速、低能耗和大规模并行处理的优势，成为潜在的替代方案。早期的光学处理器主要依赖于线性衍射元件，如空间光调制器（SLM）和衍射光学元件（DOE），实现特定函数的逼近。近年来，差分光学（diffractive optics）被广泛应用于模拟神经网络中的线性变换，利用结构化的相位调制实现高保真度的线性映射。然而，非线性映射一直是光学计算的难点，主要受限于光学材料的非线性弱、响应慢和能量消耗大等问题。虽然一些方案尝试引入非线性材料或多层堆叠，但成本高、复杂度大，难以实现高速和大规模集成。为此，研究者开始探索纯线性光学元件在非线性映射中的潜力，例如通过干涉和相位调制实现复杂的非线性函数逼近。本文正是在此背景下提出了一种创新架构，结合干涉原理和优化算法，突破了传统限制。
核心问题
传统光学非线性映射依赖非线性材料，存在反应慢、能耗高、制造复杂等问题。同时，多层堆叠结构增加了系统的体积和调节难度。如何在单一线性光学元件上实现高效、可扩展的非线性函数逼近，成为亟待解决的核心问题。现有方法在逼近复杂函数时误差较大，且受限于光学元件的离散化和噪声干扰，难以满足实际应用需求。此外，系统的硬件复杂度和调节难度限制了其在工业中的推广。解决这一问题，既需要理论上的创新，也需要工程上的突破。
核心创新
本研究的核心创新在于提出单层编码-解码（E+D）架构，将动态输入编码和静态解码集成于同一相位调制平面，避免多层堆叠的复杂性。引入冻结的相位偏置（bias）策略，显著提升系统的表达能力和鲁棒性，尤其在硬件量化和噪声条件下表现优异。理论上，系统利用干涉原理，将非线性映射转化为相位调制引起的干涉强度变化，突破了非线性材料的限制。算法上，通过优化解码相位分布，实现对任意带限非线性函数的逼近，具有普适性。实验验证显示，该架构在单次光学前向传播中，能同时逼近多个复杂函数，极大简化了硬件结构，为光学模拟和神经网络提供了新思路。
方法详解
- �� 输入信号通过输入依赖的相位调制在编码区域实现动态映射，表达目标函数的参数。
- �� 该相位调制由输入值控制，映射为特定的空间相位分布，确保干涉过程中的非线性特性。
- �� 在自由空间传播中，编码场与静态解码场相干干涉，形成复杂的空间强度分布。
- �� 通过优化解码区域的相位分布，使得干涉的强度分布逼近目标非线性函数。
- �� 引入冻结的相位偏置，增强编码器的表达能力，提升逼近精度。
- �� 采用梯度下降等数值优化算法，训练解码相位和偏置参数，确保逼近误差最小。
- �� 在实验中，通过可见光系统的空间光调制器实现训练和验证，确保方案的实际可行性。
实验设计
实验采用可见光光学平台，使用空间光调制器（SLM）调节相位，实现输入编码。训练过程中，利用无模型的在位学习策略，优化解码相位和偏置参数。目标函数包括常用激活函数（ReLU、Sigmoid、GELU）及复杂值非线性函数。输入范围为[-0.5, 0.5]，传播距离设为100λ，探测孔径为2λ×2λ，确保干涉充分。通过多次训练，统计逼近误差，验证不同参数（解码自由度、探测孔径、传播距离）对性能的影响。对比不同偏置策略，评估逼近精度和鲁棒性。最后，实测在硬件上同时逼近九个函数，误差达10^-8，验证了理论分析的正确性。
结果分析
数值模拟和实验证明，系统在逼近九个非线性函数时，平均误差低于10^-8，优于多层方案。引入冻结偏置后，逼近误差降低约两个数量级，特别在复杂激活函数（如GELU）中表现出更强的鲁棒性。调节探测孔径和传播距离，逼近误差可进一步降低至10^-9，验证了物理参数对性能的影响。系统在硬件实现中表现出良好的稳定性和一致性，证明了其在实际应用中的潜力。
应用场景
该架构适用于高速模拟神经网络、光学信息处理和非线性信号变换。只需一块相位调制面和标准光学元件，即可实现多功能映射，适合在光学神经网络、光学加速器等场景中部署。其低复杂度和高逼近能力，特别适合在资源有限的环境中实现高效计算。此外，未来可结合深度学习优化算法，扩展到更复杂的非线性映射和动态调控场景，推动光学智能硬件的发展。
局限与展望
当前系统在逼近极端复杂或高频非线性函数时，仍受限于相位调制的离散化和光学噪声，误差难以进一步降低。制造和调节光学元件的精度要求较高，尤其在大规模集成时存在工程难题。系统目前仅在二维平面上实现，尚未扩展到三维空间或动态调控场景，限制了其应用范围。未来需解决光学噪声、量子噪声等影响，提升系统鲁棒性和适应性。
通俗解读 非专业人士也能看懂
想象你在厨房里做菜，你有一个特殊的厨具，只用一层平板就能完成复杂的调味和烹饪过程。这个厨具可以根据你放入的食材（输入）自动调整调料的比例（相位调制），然后通过热气（光的传播）让调料和食材充分融合，形成美味的菜肴（输出）。传统做菜可能需要多层厨具和繁琐的步骤，但这个新方法就像用一块神奇的平板，既能调味，又能烹饪，省时省力，还能做出各种不同的菜。它利用干涉和相位调控的原理，让简单的材料变成复杂的味道，不需要昂贵的调料或复杂的厨具。就像魔法一样，这个平板可以在一瞬间完成多种菜肴的制作，既快又准，未来或许能让厨房变得更智能、更高效。
简单解释 像给14岁少年讲一样
嘿，你知道吗？在学校里，我们用计算机做数学题，但其实光也可以帮忙！想象你有一台超级神奇的相机，它只用一块特殊的玻璃板，就能帮你解决复杂的数学问题，比如画出漂亮的曲线或者识别图像。这个玻璃板上有一些特别的“魔法图案”，可以根据你输入的数字（比如一个数字代表的图案）自动变换出对应的答案。它不用很多层，也不用复杂的电子元件，只靠光的干涉和相位调节，就能完成这些任务。就像你用一块魔法镜子，既能看到自己，也能帮你解答难题。这个发明让光变得更聪明，不仅快，还很节能。未来，或许我们可以用它来做更复杂的事情，比如让光自己“思考”，帮我们解决各种难题，就像科幻电影里的场景一样酷！
原文摘要
We demonstrate that nonlinear computing can be achieved with a single linear diffractive surface under coherent illumination. We introduce a compact encoder-decoder co-localization (E+D) architecture in which an input-dependent dynamic encoder and a static optimized decoder are integrated within the same phase-only diffractive plane. Following free-space propagation, coherent interference between the encoder and decoder fields, combined with intensity detection, generates programmable nonlinear input-output mappings without requiring nonlinear optical materials or multiple diffractive layers. We prove that the proposed E+D optical processor is a universal approximator for arbitrary real-valued band-limited nonlinear functions and identify the physical factors governing its approximation fidelity, including the decoder degrees-of-freedom, detector aperture, and axial propagation distance. Crucially, we demonstrate that introducing a trained, frozen phase bias to the encoder region systematically enhances functional expressivity, providing robustness against coarse phase quantization on spatial light modulators. Using this framework, we accurately synthesize diverse nonlinear functions, including commonly used neural network activation functions and complex-valued nonlinear functions. Finally, we experimentally validate the proposed approach using a visible-light optical set-up trained through in situ learning, demonstrating the parallel approximation of 9 nonlinear functions in a single optical forward pass. By collapsing nonlinear optical computation into a single diffractive surface, the E+D architecture substantially reduces hardware and alignment complexity while preserving powerful function-approximation capabilities, providing a compact and scalable framework for analog information processing.
参考文献 (20)
Large-scale nonlinear optical computing with incoherent light via linear diffractive systems
Alexander Chen, Yuntian Wang, Md. Sadman Rahman 等
Massively parallel and universal approximation of nonlinear functions using diffractive processors
Md. Sadman Rahman, Yuhang Li, Xilin Yang 等
Nonlinear processing with linear optics
Mustafa Yildirim, Niyazi Ulaş Dinç, Ilker Oguz 等
All‐Optical Phase Recovery: Diffractive Computing for Quantitative Phase Imaging
Deniz Mengu, A. Ozcan
Review of nonlinear activation functions in optical neural networks
Wanxin Shi, Zheng Huang, Tingzhao Fu 等
Overcoming the efficiency-bandwidth tradeoff for optical harmonics generation using nonlinear time-variant resonators
M. Shcherbakov, P. Shafirin, G. Shvets
Super-resolution diffractive neural network for all-optical direction of arrival estimation beyond diffraction limits
Sheng Gao, Hang Chen, Yichen Wang 等
Fast and Accurate Deep Network Learning by Exponential Linear Units (ELUs)
Djork-Arné Clevert, Thomas Unterthiner, Sepp Hochreiter
The End of Moore's Law: A New Beginning for Information Technology
T. Theis, H. Wong
Roadmap on holography
J. Sheridan, R. Kostuk, A. Gil 等
Rectified Linear Units Improve Restricted Boltzmann Machines
Vinod Nair, Geoffrey E. Hinton
There’s plenty of room at the Top: What will drive computer performance after Moore’s law?
C. Leiserson, Neil C. Thompson, J. Emer 等
Nonlinear optical encoding enabled by recurrent linear scattering
Fei Xia, Kyungduk Kim, Yaniv Eliezer 等
To image, or not to image: class-specific diffractive cameras with all-optical erasure of undesired objects
Bijie Bai, Yilin Luo, Tianyi Gan 等
Ultra-strong nonlinear optical processes and trigonal warping in MoS2 layers
A. Säynätjoki, L. Karvonen, H. Rostami 等
Fully non-linear neuromorphic computing with linear wave scattering
C. C. Wanjura, F. Marquardt
Optimizing structured surfaces for diffractive waveguides
Yuntian Wang, Yuhang Li, Tianyi Gan 等
Diffractive optical computing in free space
J. Hu, Deniz Mengu, D. Tzarouchis 等