量子科技中心_量科网

光子学可为机器学习（ML）提供硬件原生的实现路径。然而，要高效部署光子增强的机器学习，需要建立将光学处理与传统CPU/GPU神经网络架构相融合的混合工作流程。该研究团队提出了一种结合光子位置编码（PEs）与先进图机器学习模型的工作流程：通过设计合成频率晶格（其耦合特性与输入图匹配）中的光传播过程，生成用于增强图卷积网络（GCNs）的光子位置编码。通过模拟光传播与信号读出，研究人员获取节点间光强关联矩阵作为位置编码，为GCNs提供全局结构信息。在长程图基准分子数据集测试中，该方法较基于拉普拉斯矩阵位置编码的基线GCNs表现更优——使用双层GCN作为基线时，回归任务平均绝对误差降低6.3%，分类任务平均精度提升2.3%。若采用高重复频率光子硬件实现，相关测量可通过绕过数字模拟位置编码来加速特征生成。该工作表明，光子位置编码不仅能提升图卷积网络性能，还可支持图机器学习的光学加速。