【内容概述】该研究提出了一种新型的全正向模式（Fully Forward Mode, FFM）学习方法，用于在物理系统中直接训练光学神经网络（ONNs），从而显著提高了机器学习模型的速度和能效。FFM学习利用空间对称性和洛伦兹互易性，消除了传统训练中梯度下降算法对反向传播的需求，允许在原始物理系统上直接设计和优化光学参数。通过实验，作者展示了FFM学习在自由空间和集成光子学系统中实现深层ONNs、高分辨率散射成像、动态非直视成像和非厄米特系统中异常点搜索的能力。FFM学习不仅实现了与理想模型相当的准确性，而且其训练过程的能效高达每秒每瓦特数以指数操作（exaOPS/W），为深度神经网络、超敏感感知和拓扑光子学等领域的应用提供了新的途径。此外，FFM学习还证明了无需精确的物理模型即可实现高效自设计和自学习，为后摩尔时代的大规模、高效率物理人工智能开辟了新的可能性。（文献原文见附件）
