量子科技中心_量科网

光子和极化激元系统为基于物理计算的机器学习加速提供了快速高效的平台。然而，要获得计算优势，极化激元系统必须满足以下条件：(1) 利用特别适合非线性光学处理的特性；(2) 解决计算复杂度高且依赖这些特性的问题；(3) 将光子处理整合到更广泛的机器学习流程中。该研究团队在本文中提出了一种解决图结构数据问题的极化激元机器学习方法，展示了凝聚态晶格如何高效嵌入点云数据集中的关系和拓扑信息。这些信息随后被整合到基于卷积神经网络（CNN）的模式识别工作流中，与不考虑物理特性的方法相比，学习性能得到显著提升。大量基准测试表明，光子机器学习在贝蒂数分类和团检测任务中实现了超过90%的准确率——相较于基础CNN的35%准确率有显著提升。该工作开创性地将光子系统用作特征工程的快速工具，同时结合高性能数字机器学习方法。