光子神经网络使用光子而不是电子执行受大脑启发的计算，以实现显著提高的计算性能。然而，现有架构只能处理具有规则结构的数据，而无法泛化到欧几里得空间之外的图结构数据。
清华大学的研究人员提出了衍射图神经网络 (DGNN)，这是一种基于衍射光子计算单元 (DPU) 和片上光学器件的全光学图表示学习架构，以解决这一限制。具体来说，图节点属性被编码到带状光波导中，由 DPU 转换，并由光耦合器聚合以提取其特征表示。
DGNN 在光速光学消息通过图结构期间，捕获节点邻域之间的复杂依赖关系。他们通过基准数据库演示了 DGNN 在节点和图级分类任务中的应用，并获得了卓越的性能。该研究团队的工作为使用深度学习设计用于高效处理大规模图形数据结构的专用集成光子电路开辟了一个新方向。
该研究以「All-optical graph representation learning using integrated diffractive photonic computing units」为题，于 2022 年 6 月 15 日发布在《Science Advances》。
论文链接：https://www.science.org/doi/10.1126/sciadv.abn7630

内容中包含的图片若涉及版权问题，请及时与我们联系删除