偏微分方程（PDEs）作为表征物理、工程及自然科学中连续介质变化的数学工具，长期以来承担着解决复杂系统动力学、热传导、电磁场及流体动力学等问题的核心任务。尽管数值方法如有限差分和有限元法被广泛使用，但其计算量庞大且耗时，对算力和能源的需求极高。特别在需要实时或大规模仿真的领域，传统方法已经难以胜任。面对不断增长的计算负荷，研究者们正积极探索新颖高效的求解方案，其中光学神经引擎（Optical Neural Engine, ONE）因其高速、低能耗和并行处理能力备受瞩目。光学神经引擎结合了复杂光学系统与机器学习模型，通过专门设计的光学网络，实现对偏微分方程的快速预测与求解，展现出传统电子硬件难以比拟的优势。首先，从技术实现角度来看，ONE架构巧妙结合了基于衍射的光学神经网络（Diffractive Optical Neural Networks, DONNs）和自由空间或集成光学的交叉条阵列（Optical Crossbar, XBAR）结构。
DONNs利用多层光学衍射层，通过光波的衍射和干涉完成复杂非线性映射，相比电子神经网络其操作速度接近光速且能耗极低。而XBAR结构则负责执行高效的矩阵向量乘法，是深度学习中线性运算的核心，其光学实现通过调制光强及光学路径实现快速的并行计算。当DONNs处理空间频域信息时，XBAR结构则处理实空间，二者协同作业提升整体计算性能和模型表达能力。ONE架构还引入了物理参数处理模块，实现对多模态数据的融合，能够同时解决涉及多个物理量和耦合过程的复杂偏微分方程。这种多分支结构支持时间相关和时间独立问题，覆盖了单一物理领域和多物理场耦合问题，具备强大的适应性和通用性。实验和模拟均验证了ONE解决多种偏微分方程的能力，如流体力学中的Darcy流动方程、微磁学中的磁静态泊松方程、空气动力学中的Navier-Stokes方程以及光学中的麦克斯韦方程组。
此外，还包括电流与热传导耦合的多物理过程，体现了系统在多学科交叉领域的广泛应用潜力。相比传统数值求解器和电子机器学习模型，ONE不仅在计算准确性上达到甚至超越先进方法，更在硬件资源消耗和处理速度上实现显著突破。其通过光的高速传播特性实现近乎常数时间的计算，使得计算资源不再随着问题规模呈指数增长，解决了大规模问题计算瓶颈。ONE的硬件实现主要基于空间光调制器（Spatial Light Modulator, SLM）和高速光探测器。SLM的高分辨率和相位调控能力，使光学神经引擎获得强大可重构性能，适应不同任务和场景需求。光学元件之间的精细对准保证了系统稳定可靠的运行，结合软硬件协同设计和噪声感知训练方法，增强了模型对物理硬件非理想特性的鲁棒性。
尽管光学计算硬件在输入输出带宽受限、非线性操作实现方面仍面临挑战，ONE架构通过电子非线性模块和未来潜在的全光学非线性元件设计，预示了完全光学神经网络的可行性。数据驱动的ONE不仅加速了预测进程，降低了整体功耗，更促进了机器学习与物理模型的深度融合，成为科研计算领域一大变革。在实际应用中，ONE可显著提升诸如气候模拟、材料设计、航空航天及纳米光子学等领域的模拟效率，推动科学研究与工程实践协同发展。随着集成光学器件和高速光电技术的进步，未来光学神经引擎将实现更高的集成度、更低的成本和更优的性能表现。展望未来，基于光学计算加速的机器学习模型可望突破电子计算极限，助力人类解决更多复杂科学问题。光学神经引擎架构的模块化和灵活性使其易于与现有电子计算平台结合，通过异构计算架构实现性能最优化。
研究人员正在致力于开发全光非线性技术、增强元件互联、提升I/O性能，期望打造一代全光学芯片级神经引擎，极大地提升计算速度并降低能耗。总的来说，光学神经引擎推动了偏微分方程求解技术的革命，融合前沿光学硬件与人工智能算法，开创了一条可持续、高效、动态适应复杂任务需求的新路。它不仅代表了科学计算领域的技术突破，更是未来智能计算不可或缺的重要组成部分，将促进基础科学发现与工程创新的跨越式发展。
