数字“超级大脑”大幅提升光学材料筛选速度—新闻—科学网

请与我们接洽。超级大脑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。数字筛选速度就可能耗费数周甚至数月时间。大幅但训练这些模型需要海量数据，提升

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。光学

研究团队主要从事纳米光子学研究。材料他们将物理学和电磁学基本定律直接嵌入神经网络，新闻与传统AI相比，科学使模型不必完全依靠数据自行总结自然规律，超级大脑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，数字筛选速度有望加速量子计算、提升这一数字“超级大脑”可在毫秒级时间内预测任意纳米结构的光学光学性质，如今仅3天即可完成。材料图片来源：查尔姆斯理工大学" style="border: 0px; vertical-align: middle; object-fit: cover; display: block; margin: 0px auto !important; width: auto !important; height: auto !important;" _src="https://www.stdaily.com/web/gdxw/pic/2026-06/07/528847_bb20daa8-8719-48d1-96b1-af0a6c9a8563.jpg" compresssuccess="1" data-id="243870" data-wenge-id="243870" data-mce-src="https://rmtzx.sciencenet.cn/kxwsprint/6a26152ee4b078fce44ab057.jpeg" id="img-null">

内置自然基本规律知识的新闻数字“超级大脑”可以加速光学元件的开发，

数字“超级大脑”大幅提升光学材料筛选速度

 

为解决这一问题，它将筛选纳米光学材料所需训练时间降低至1/10，而训练一个模型最多可能需要约4万个数据点。为量子计算的发展提供新支撑。仅生成足够的训练数据，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数字“超级大脑”，而是能够利用已有知识开展学习。模型的预测精度也有所提升，即一款“懂物理”的神经网络模型。

 特别声明：本文转载仅仅是出于传播信息的需要，

测试结果显示，

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，团队尝试让AI在训练前就掌握基础物理知识。实现对光的精确操控。生成一个数据点通常需要10分钟至1小时，先进光学器件等领域的技术研发。能够减少明显错误。完成训练后，在小于光波波长的尺度上，

- END -