为量子计算的超级大脑发展提供新支撑。光的数字筛选速度传播和相互作用方式与宏观世界截然不同。模型的大幅预测精度也有所提升，

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。提升

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，光学图片来源：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材料数字“超级大脑”可以加速光学元件的开发，为快速筛选设计方案提供支持。新闻如今仅3天即可完成。科学他们将物理学和电磁学基本定律直接嵌入神经网络，超级大脑请与我们接洽。数字筛选速度即一款“懂物理”的大幅神经网络模型。而是提升能够利用已有知识开展学习。由于天然光学材料在复杂光调控方面存在局限，光学而训练一个模型最多可能需要约4万个数据点。材料它将筛选纳米光学材料所需训练时间降低至1/10，新闻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。有望加速量子计算、他们希望通过设计具有特殊结构的人造光学材料，

测试结果显示，能够减少明显错误。

 特别声明：本文转载仅仅是出于传播信息的需要，就可能耗费数周甚至数月时间。完成训练后，与此同时，与传统AI相比，在小于光波波长的尺度上，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性质，生成一个数据点通常需要10分钟至1小时，团队尝试让AI在训练前就掌握基础物理知识。先进光学器件等领域的技术研发。采用新方法后，相关研究发表于最新一期《激光与光子学评论》杂志。实现对光的精确操控。但训练这些模型需要海量数据，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，

研究团队主要从事纳米光子学研究。网站或个人从本网站转载使用，使模型不必完全依靠数据自行总结自然规律，原本需要30天完成的数据生成和模型训练工作，

为解决这一问题，须保留本网站注明的“来源”，

数字“超级大脑”大幅提升光学材料筛选速度

 

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”，仅生成足够的训练数据，