Multidimensionell och omkonfigurerbar optisk neuromorf beräkning med perovskit-baserade helt-fotoniska synapser

Ljus som lär sig

Datorer som driver modern artificiell intelligens flyttar fortfarande bitar av data fram och tillbaka mellan separata kretsar för minne och bearbetning, vilket slösar både tid och energi. Denna studie utforskar ett radikalt annorlunda tillvägagångssätt: att använda ljuset självt både för att bära information och för att utföra hjärnliknande inlärning. Forskarna byggde en ”helt-fotonisk synaps” — ett litet ljusstyrt element som kommer ihåg tidigare ljusblixtar — och visade sedan hur stora samlingar av dessa element kan känna igen mönster och anpassa sig till förändrade omgivningar utan att hårdvaran behöver omkopplas.

En film som förändras med ljus och luft

I kärnan av arbetet finns en tunn film gjord av ett perovskitmaterial som är ovanligt känsligt både för ljus och för fukt i luften. När ultraviolett ljus träffar filmen omarrangeras kristallstrukturen och den mörknar, vilket blockerar mer synligt ljus; när ljuset tas bort och materialet absorberar fukt från omgivningen återgår det långsamt till ett mer transparent tillstånd. Denna fram- och tillbaka-förändring är fullständigt reversibel och mycket stabil över många cykler och månader i förvaring. Eftersom mängden ljus som passerar genom filmen kan skifta från nästan klar till starkt tonad, ger den ett stort spann för att koda olika ”vikter” eller styrkor — ungefär som de varierande kopplingsstyrkorna mellan neuroner i hjärnan.

Optiska synapser som minns

Forskarna behandlar förändringar i filmens transparens som ett optiskt minne. Successiva ljuspulser kan tillfälligt förstärka filmens respons, vilket efterliknar hur verkliga synapser kortvarigt stärks när signaler kommer i snabb följd. Genom att variera hur många ljuspulser som träffar filmen, hur ofta de upprepas och hur starka de är, kan teamet driva enheten från kortlivade minnen som snabbt bleknar till långlivade som består, vilket speglar hjärnans skillnad mellan kort- och långtidsminne. Omgivande luftfuktighet fungerar också som en justerbar kontroll: torrare luft bromsar materialets återhämtning och förlänger hur länge ett ljuspulsminne bevaras, medan mer fuktiga förhållanden snabbar på bortglömmandet.

Läsa många ledtrådar från en enhet

Eftersom filmens respons beror på flera faktorer samtidigt — ljusstyrka, exponeringstid och luftfuktighet — bär samma typ av synaps naturligt multidimensionell information om sin omgivning. Teamet registrerade hur filmens transparens utvecklades över tid under olika förhållanden och förde dessa tidsprofiler in i ett rekurrent neuralt nätverk, en form av artificiell intelligens som är särskilt bra på att känna igen mönster som utvecklas över tid. Även om all information kom från en enda typ av optisk signal lärde sig nätverket att skilja mellan olika ljusintensiteter, pulslängder och fuktnivåer med perfekt noggrannhet, vilket visar att dessa fotoniska synapser kan fungera som rika, tidskänsliga sensorer såväl som minneselement.

Omkonfigurera uppgifter med endast ljus

För att demonstrera praktisk beräkning använde författarna sedan arrayer av dessa filmer som de justerbara elementen i ett diffraktivt optiskt neuralt nätverk — en uppställning där bilder bearbetas när de passerar genom tunna mönstrade lager istället för genom elektroniska kretsar. Genom att belysa perovskit-synapserna med olika programmeringsljussekvenser kunde de ställa in upp till 80 distinkta transparensnivåer vid varje plats, vilket i praktiken satte nätverkets interna parametrar utan några fysiska förändringar. Med en uppsättning optiska ”vikter” klassificerade systemet handskrivna siffror; med en annan kände det igen klädesplagg från en separat databas. Båda uppgifterna hanterades av samma hårdvara, helt enkelt omkonfigurerad genom ljusstyrda uppdateringar av synapserna.

Vad detta betyder för framtida maskiner

Denna studie visar att en enkel ljuskänslig film kan bete sig som en intelligent, justerbar koppling i ett neuralt nätverk, lagra information i sin transparens och reagera olika beroende på både nyliga signaler och den omgivande miljön. Genom att kombinera många sådana element skapar forskarna optiska system som kan känna, minnas och anpassa sig till nya uppgifter med hög hastighet och låg energiförbrukning, allt utan konventionella elektroniska kretsar. I vardagstermer är det ett steg mot kameror och sensorer vars ”ögon” och ”hjärnor” är gjorda av samma ljusbärande material, som lär sig direkt från ljuset de ser och omformar sitt beteende med inget annat än nya belysningsmönster.

Citering: Zi, J., Sun, J., Yang, B. et al. Multidimensional and reconfigurable optical neuromorphic computing using perovskite-based all-photonic synapses. Commun Mater 7, 92 (2026). https://doi.org/10.1038/s43246-026-01097-x

Nyckelord: optisk neuromorf beräkning, perovskit-synaps, helt-fotoniskt minne, omkonfigurerbar fotonik, diffraktivt neuralt nätverk