量子科技中心_量科网

光学神经网络（ONNs）通过利用光学器件实现非线性激活并建立神经元间的连接，旨在提升机器学习中的处理速度与能效。该研究团队提出一种量子光学神经网络（QONN），采用具有可控光子吸收与发射特性的原子-腔体神经元。这些量子神经元可替代传统ONNs中的电子元件，后者通常在非线性激活过程中引发延迟与高能耗。为评估QONN性能，研究人员将其应用于MNIST手写数字分类任务，同时考察光子吸收时长、原子-腔体随机失谐及光子随机损耗的影响。此外，该工作还提出卷积型QONN架构以完成现实场景中的卫星图像分类（SAT-6）任务。得益于紧凑的硬件结构与低功耗特性，QONN为实时卫星传感提供了可行方案，可减少与地面站的通信带宽需求，从而提升数据安全性。