突破性的研究成果将卷积神经网络的概念融入光学领域，极大地促进了人工智能成像技术的发展。上海理工大学研究团队，由智能科技学院的张启明教授和智能科技学院和张江实验室光计算所的顾敏院士领导，开发出一种超高速卷积光学神经网络（ONN）。

这项技术在不依赖光学记忆效应的情况下，实现了对散射介质后物体的高效清晰成像。此项突破颠覆了传统光学成像技术，展现了卷积网络在人工智能中的巨大潜力。该成果于 6 月 14 日以“基于超快卷积光学神经网络的非记忆效应散射成像”为题发表于《科学》（Science）子刊《科学进展》（Science Advances）。智能科技学院特聘研究员张雨超为第一作者，顾敏院士和张启明教授为共同通讯作者。

CNN 作为目前应用最为广泛的人工智能神经网络架构，源自生物的视觉皮层系统。卷积操作是 CNN 中的核心，它通过提取图像的局部特征并逐层构建更加复杂和抽象的特征表示，极大地推进了图像处理和模式识别领域的发展。将这一概念应用于光学领域面临着电子信号向光学信号转换的挑战。

该研究团队巧妙地设计了一种全光学解决方案，通过直接在光域中进行卷积网络操作，省去了繁冗的信号转换过程，实现了真正意义上的光速计算。该技术的关键在于构建了一个多阶段的卷积网络 ONN，它由多个并行核心组成，能够以光速进行操作，直接从散射光中提取特征，实现图像的快速重建。这一过程大幅提升了成像速度，显著增强了成像质量，使得在复杂散射环境中的成像成为可能。

ONN 的计算速度高达每秒 1570 万亿次操作（1.57 Peta operations per second, POPS），为实时动态成像提供了强大的支持。该技术的另一大亮点在于其多任务处理能力。通过简单地调整网络结构，同一个 ONN 能够同时执行多种图像处理任务，例如分类、重建等，这在光学人工智能领域尚属首次。

张启明指出：“这种灵活性和效率的结合，不仅展示了卷积网络在人工智能中的重要性，也为光学成像技术开辟了新的道路。”这项技术不仅是卷积神经网络在光学领域的成功移植，更对人工智能成像技术带来重大推动。顾敏表示：“随着技术的不断发展，卷积光学神经网络将在自动驾驶、机器人视觉、医学成像等多个领域发挥更加重要的作用，为人类生活带来更多便利，为科学研究提供更加强大的工具。”