用光芯片实现无需反向传播的物理信息神经网络求解偏微分方程。

Experimental Demonstration of an Optical Neural PDE Solver via On-Chip PINN Training

• 在光芯片上直接训练物理信息神经网络，跳过传统反向传播。
• 首次实验验证光子芯片上可高效求解偏微分方程。
• 适合需要高速、低功耗计算的科学工程场景。

偏微分方程（PDE）是科学与工程中的重要数学工具。本文实验演示了一种基于光子芯片的光学神经偏微分方程求解器，通过在芯片上实现无需反向传播的物理信息神经网络（PINN）训练，实现了对PDE的高效求解。该方法利用光子器件的并行性与低延迟特性，显著提升了求解速度与能效，为复杂系统建模提供了新路径。

原文摘要 · Abstract (English)

Partial differential equation (PDE) is an important math tool in science and engineering. This paper experimentally demonstrates an optical neural PDE solver by leveraging the back-propagation-free on-photonic-chip training of physics-informed neural networks.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。