偏微分方程(PDE)作为描述多变量相互作用的数学工具，在处理复杂物理系统时展现出强大的预测能力。然而，求解这些方程一直是一项耗时且成本高昂的挑战。近日，犹他大学约翰和玛西娅·普莱斯工程学院的研究人员提出了一种新方法，通过光编码偏微分方程，并利用其新设计的“光学神经引擎”(ONE)来加速求解过程。

ONE系统结合了衍射光学神经网络和光学矩阵乘法器，研究人员以光学方式而非数字方式表示偏微分方程，变量由光波的强度和相位等属性来表示。当光波穿过ONE的一系列光学元件时，这些属性逐渐变化，最终代表给定偏微分方程的解。

该研究由电气与计算机工程系助理教授高伟璐及其博士生陈瑞阳领导，并在《自然通讯》杂志上发表。高教授表示，偏微分方程是模拟物理问题的强大工具，但目前的数值模拟方法速度慢且计算资源需求大。而ONE系统则通过光学方法加速了机器学习过程，与电子方法相比，所需能量更少。

研究人员指出，现有的机器学习技术和数字神经网络在求解偏微分方程时，需要将方程传递到计算节点网络，每个节点对输出进行加权，最终得到正确的解。而ONE系统则将这一概念应用于光子设备，采用输入物理量的时空数据来预测输出物理量的时空数据。

实验结果显示，ONE在求解多种偏微分方程时表现出色，包括达西流方程、磁静泊松方程和纳维-斯托克斯方程等。高教授表示，ONE架构能够学习介质特性之间的映射，并预测流动特性，无需进行实验。

这项研究为地质学和芯片设计等大规模科学和工程计算提供了一个多功能且强大的平台。ONE系统的出现，不仅加速了偏微分方程的求解过程，还降低了计算成本和能源消耗。

更多信息： Yingheng Tang 等，用于求解科学偏微分方程的光学神经引擎，《自然通讯》(2025)。期刊信息： 《自然通讯》