深圳大学团队开发光致荧光矩阵计算平台，革新边缘AI感知系统

近年来，随着人工智能和智能感知系统的快速发展，边缘计算、医疗成像和安全识别等领域面临的计算难题日益突出。传统基于冯·诺依曼架构的计算系统由于感知、存储、处理与显示功能分离，导致数据搬运频繁和能耗高等问题。深圳大学物理与光电工程学院张晗教授和魏松瑞助理教授领导的研究团队，与香港大学、南方科技大学、鹏城实验室等多家机构合作，提出了一种基于荧光矩阵–向量乘法（Fluorescence Matrix–Vector Multiplication, FMVM）的新型光神经计算架构，旨在克服现有光计算体系的局限，实现计算与显示的一体化。 该研究的核心在于利用一种可逆的光致变色材料——螺吡喃（Spiropyran, SP）和次甲花青素（Merocyanine, MC）分子对。在紫外光照射下，非荧光态的SP分子会转化为荧光态的MC分子；而暴露在可见光下时，MC分子又能恢复到SP分子状态。研究团队将SP分子均匀掺杂到甲基丙烯酸甲酯（MMA）基底中，制成一层能精细控制的荧光响应膜。通过数字光处理（DLP）技术，能够以特定的紫外图样照射膜材，实现空间可编程的荧光强度调控，完成权重写入和重构。在此基础上，输入光信号采用紫外图案形式，其亮度代表输入向量，与已写入权重的SP-MC膜互动产生荧光发射，模拟矩阵矢量乘法操作。最终，输出的荧光图案不仅直接反映了计算结果，还可以被相机捕获或肉眼观察，完成了从计算到显示的过程。 研究团队对所研发的光学材料进行了详细表征，发现这种薄膜能在显微尺度上达到约33μm的空间写入精度，并能实现5-bit（32级）荧光强度分辨率。荧光发射响应时间短于10纳秒，带宽超过100兆赫兹，充分满足高速计算的需求。此外，写入的权重图案在暗态下能长期保存稳定，经历数十次写入–擦除循环后依然有效，表现出良好的存储性能。研究人员进一步展示了该材料在处理复杂图案如“蒙娜·丽莎”和“微生物图谱”时的优越性，输出图案清晰均匀，显示效果出色。 为了验证FMVM架构的实际应用潜力，研究人员搭建了一个荧光神经网络模型，成功进行了三次不同指纹的识别并输出相应的人名。结果显示，通过简单的求和和非线性处理，可以进一步提高字母的标准化显示效果。这项创新性的研究不仅首次实现了光致荧光的神经网络运算功能，而且构建出一个全新的“感知–记忆–计算–显示”一体化光计算平台，为未来的可穿戴设备、边缘AI感知系统、自然光信号处理与光学安全识别提供了新思路和技术支持。 与现有光神经网络（ONNs）相比，FMVM具有五个显著优势：一是全光域处理，无需电信号转换；二是低功耗，适合边缘计算场景；三是并行显示输出，能够同时呈现多种结果；四是非挥发性存储，写入的信息可长期保存；五是材料拓展性强，适用于多种荧光材料，实现多波段响应。这项研究得到了国家自然科学基金、深圳市孔雀计划和深圳市科技创新委员会等多个项目的支持。论文发表于国际光学权威期刊《Optica》上。