它将筛选纳米光学材料所需训练时间降低至1/10，数字筛选速度模型的大幅预测精度也有所提升，使模型不必完全依靠数据自行总结自然规律，提升而数据的光学生成过程本身十分耗时。为快速筛选设计方案提供支持。材料并不意味着代表本网站观点或证实其内容的新闻真实性；如其他媒体、原本需要30天完成的科学数据生成和模型训练工作，相关研究发表于最新一期《激光与光子学评论》杂志。超级大脑

研究团队主要从事纳米光子学研究。数字筛选速度有望加速量子计算、大幅图片来源：查尔姆斯理工大学

瑞典查尔姆斯理工大学研究团队开发出一种融入物理定律的提升数字“超级大脑”，先进光学器件等领域的光学技术研发。如今仅3天即可完成。材料这一数字“超级大脑”可在毫秒级时间内预测任意纳米结构的新闻光学性质，能够减少明显错误。与此同时，

 特别声明：本文转载仅仅是出于传播信息的需要，他们希望通过设计具有特殊结构的人造光学材料，与传统AI相比，即一款“懂物理”的神经网络模型。实现对光的精确操控。光的传播和相互作用方式与宏观世界截然不同。

为解决这一问题，为量子计算的发展提供新支撑。他们将物理学和电磁学基本定律直接嵌入神经网络，

测试结果显示，

数字“超级大脑”大幅提升光学材料筛选速度

 

内置自然基本规律知识的数字“超级大脑”可以加速光学元件的开发，仅生成足够的训练数据，但训练这些模型需要海量数据，

该技术未来有望利用光频信号在量子计算机之间乃至更远距离实现高速通信，

分析材料特性并优化设计方案普遍使用机器学习和神经网络。须保留本网站注明的“来源”，这些元件可用于从量子计算机到眼镜或相机镜头等各种应用。采用新方法后，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，团队尝试让AI在训练前就掌握基础物理知识。由于天然光学材料在复杂光调控方面存在局限，完成训练后，这些元件可用于从量子计算机到眼镜或相机镜头等各种应用。而是能够利用已有知识开展学习。在小于光波波长的尺度上，而训练一个模型最多可能需要约4万个数据点。