偏微分方程是自然科学和工程模拟中的基础工具，涵盖流体力学、电磁学、热传导等关键领域。传统数值求解方法如有限差分、有限体积和有限元法虽然成熟，但面对高维复杂问题时，计算资源需求大、耗时长，限制了实时模拟和大规模科学计算的应用。近年来，利用机器学习技术来加速偏微分方程求解的研究迅速发展，尤其是神经算子等数据驱动的方法在保持准确度的同时显著提升了计算效率。然而，现有电子计算平台在能耗和计算吞吐量方面面临瓶颈，催生了新型硬件加速器的需求。光学神经引擎（Optical Neural Engine, ONE）应运而生，融合光学计算的高速并行和低能耗特性，为科学偏微分方程的快速求解提供了全新方案。ONE架构巧妙结合衍射光学神经网络（Diffractive Optical Neural Networks, DONNs）与光学交叉栏（Optical Crossbar, XBAR）结构，分别实现傅里叶空间和实空间的信号处理。
衍射光学神经网络通过多层可重构的相位调制器和衍射层，模拟光波的自由空间传播，实现高效的傅里叶变换和空间卷积计算。与此同时，光学交叉栏结构利用光的强度调制和叠加性质，完成高维矩阵向量乘法，提升实空间的线性变换速度和并行度。这种双空间处理模式不仅满足了偏微分方程频域和时域耦合的计算需求，同时显著降低了能耗和时延。ONE架构还引入物理参数处理分支，实现多模态信息融合，能够灵活适应不同物理场景的复杂耦合问题。在具体应用层面，ONE在多种科学领域的偏微分方程上表现卓越。利用ONE架构成功解决了达西流方程、磁静态泊松方程、浅水纳维-斯托克斯方程和麦克斯韦方程组等典型模型，涵盖流体渗透、微观磁场和电磁波传播等复杂物理过程。
同时，ONE针对多物理场耦合问题，如电流与导热耦合的电加热系统，也展示了精确的预测能力和稳定的泛化性能。与状态-of-the-art机器学习模型相比，ONE不仅在数值准确度方面处于领先，还具备实用性和可扩展性，使其具备广泛的工程应用前景。值得关注的是，ONE的硬件实现展现出独特优势。核心操作中的线性计算均在光学域完成，光子低衰减和高速传播特性使得计算时间不随模型规模膨胀，理论上实现近乎恒定时间的处理效率。此外，光学处理过程中的静态能耗极低，相较传统电子计算节能数个数量级，极大提升了计算的绿色可持续性。实验层面，通过构建基于自由空间空间光调制器的衍射光学神经网络，成功重现了ONE在达西流和纳维-斯托克斯方程上的高效求解效果。
尽管实验系统存在一定非理想因素和噪声，通过引入噪声感知训练与深度学习后的后处理步骤，极大地缓解了实际误差，印证了系统的鲁棒性和适用性。这不仅推动了光学计算硬件的可行性验证，也为未来可集成光学芯片的研发奠定基础。ONE架构还针对光学交叉栏系统中的系统噪声，采用噪声感知训练策略以提升模型稳定性和预测精度，展示了与不确定性和硬件缺陷并行解决的能力。该方案为未来光学计算设备的容错和自适应设计提供了新的思路。相比传统电子系统，ONE在大规模、高维数据处理上的天然并行性和能耗优化表现出明显优势。电子系统中的快速傅里叶变换与矩阵乘法复杂度普遍高达O(N^3)，而光学实现几乎实现了恒定时间处理，极大地提升了大规模系统的吞吐率。
ONE的设计同样兼容多通道复用，包括多波长、路径和偏振多路复用，使整体系统能够进一步并行加速，为高维复杂数据场景提供弹性扩展性。未来，随着高速光学空间调制器与探测器开发以及电子/光学接口技术进步，光学神经引擎的输入输出瓶颈将逐渐突破，进而释放其核芯计算潜能。ONE架构与目前前沿的光学神经网络及光子计算技术形成有益互补，推动科学计算进入“光速”时代。尽管目前ONE采取液晶空间光调制器实现，面临调制速度与分辨率限制，但新兴的非线性光学材料及亚波长可重构表面（如电光调制材料、纳米结构可调谐元件）有望实现更小尺寸与更快响应，提升系统性能与集成度。此外，光学神经网络中非线性激活函数的实现长期是限制因素，随着混合电光系统的发展以及新型光学非线性元件的突破，ONE将在未来实现全光学端到端计算流程，极大增强系统实时性和能效。综上所述，光学神经引擎为科学偏微分方程求解提供了革命性新途径，完美结合了机器学习算法优势和光学计算硬件优势。
通过FORAT与实空间精准快速计算、可重构性强的硬件设计和噪声鲁棒性训练，ONE成为多学科领域高效科学模拟的理想选择。未来，它将促进从流体力学仿真、电磁场设计到环境气候建模等诸多领域的计算变革，为科研创新与工程发展提供全新动力。作为光学和人工智能交汇的前沿成果，ONE引擎引领光计算科学前进方向，朝向绿色高效智能计算的光明未来迈进。
