基于片上衍射光学的光子机器学习

清华大学电子系陈宏伟教授课题组提出了一种基于亚波长结构的集成衍射光子神经网络。相关成果发表于《自然·通讯》（Nature Communications）。研究克服了空间衍射光子神经网络的体积限制，不仅提高了计算单元的集成度，同时减少了由于庞大的体光学元件和系统校准而产生的误差。对于其他集成光子神经网络而言，这种光计算芯片摆脱了波导数目的制约，更容易实现计算单元的片上大规模拓展，从而解决了集成光子神经网络的高计算容量问题。研究完成了集成衍射光子神经网络芯片的理论探索、仿真验证、结构设计、版图绘制、芯片加工、封装及系统误差补偿等全过程验证，有望使得这个光计算系统具有更强的处理能力。

集成衍射光子神经网络示意图（图片来源于清华大学网站）

评估全球水库浮式光伏发电和节水潜力

南方科技大学环境科学与工程学院副教授曾振中团队基于多个水库数据库和气候驱动的光伏性能模拟模型，估计了在全球11万个水库上铺设30%面积的浮式光伏系统的潜在发电量为每年9.43万亿度，超过目前水力发电的两倍。相关成果发表于《自然·可持续发展》（Nature Sustainability）。将光伏系统安装在现有水库上的关键优势在于它们可以节约土地资源，而且大多数水库靠近现有电网，可以节约输电成本。研究发现，水库在光伏板的覆盖下每年能够减少106立方千米的水分蒸发损失，这相当于3亿人的年用水量。通过合理的开发，水库浮式光伏可以用于提升能源和水安全，促进达成可持续发展目标。

基于衍射神经网络的、全光学的波前校正系统

中国科学院南京天文光学技术研究所崔向群院士团队提出了基于衍射神经网络的、全光学的波前校正系统“衍射自适应光学系统”，或能实现对波前误差在某区间内的畸变波前的光速校正。相关成果发表于《光学快报》（Optics Express）。这一系统仅由多层顺序排列的衍射板组成，被放置于像面之前，通过所有衍射单元的协作来完成对汇聚光束的波前校正。不同厚度的衍射单元为其透射光引入不同的相位调制，而所有衍射单元的厚度均是事先在电脑上针对大量的、波前误差在某区间内呈正态分布的畸变波前，采用深度学习的方法训练得到。训练结束后，可采用3D打印、激光直写或者半导体刻蚀等工艺将衍射板制作并组装成型。

神经网络求解随机反应网络

北京师范大学自然科学高等研究院复杂系统国际科学中心联合中国科学院理论物理所的合作者，提出了一种使用变分自回归网络来求解化学主方程的机器学习普适方法。相关成果发表于《自然·机器智能》（Nature Machine Intelligence）。随机反应网络描述了化学物质通过一系列反应的变化，被广泛用于模拟物理、化学和生物等复杂系统中的随机过程。随机反应网络通常通过化学主方程进行建模，它描述了表示物种分子数随时间演化的联合概率分布。然而，系统可能的状态数量随着物种的种类数呈指数增长。研究成果应用统计物理学的思想和方法，结合人工智能中的强化学习策略，为探索这类复杂系统的演化问题提供了新途径。