近年来，人工智能与智能感知系统在边缘计算、医疗成像、安全识别等场景中的快速拓展，对底层信息处理硬件提出了前所未有的挑战。传统的计算系统基于冯·诺依曼架构，存在感知、存储、处理与显示功能分离、数据搬运频繁、能耗高等瓶颈。光神经网络（Optical Neural Networks, ONNs）因具备高速并行处理与低延迟等特性，被视为突破这一瓶颈的潜力技术。然而，当前主流的光计算体系大多仅聚焦于干涉、衍射或相位调控等机制，仍依赖独立的电子显示模块进行结果输出，未能实现真正意义上的计算-显示一体化。此外，传统光学神经计算通常需通过ADC/DAC模块完成光电转换，进一步提升了系统复杂度与能耗。
在此背景下，深圳大学物理与光电工程学院张晗教授、魏松瑞助理教授课题组与香港大学、南方科技大学、鹏城实验室等单位紧密合作，创新性地提出了一种基于荧光矩阵–向量乘法（Fluorescence Matrix–Vector Multiplication, FMVM）的新型光神经计算架构，首次将光致变色材料的可编程性与荧光效应的可视输出能力结合，在材料层实现了光学权重编程、神经计算与结果显示三位一体。相关研究成果以题为《Fluorescence matrix–vector multiplication: realization of in-memory-display computing》发表于国际光学权威期刊 Optica（2025年7月，第12卷第7期）。
【机制与原理】如图1所示，本研究所构建的FMVM架构，基于一种可逆的光致变色体系——spiropyran（SP）/merocyanine（MC）分子对，在紫外与可见光照射下可发生可控、非挥发性转变。其中，非荧光态SP在UV照射下转化为荧光态MC，而在可见光下可逆恢复，构建出一种具有类记忆效应的光学权重材料。研究中，团队将SP分子均匀掺杂至甲基丙烯酸甲酯（MMA）基底中，制备出可精细控制的荧光响应膜。通过数字光处理（DLP）技术，将光学“权重”图案（如指纹分类权值）以特定紫外图样照射至薄膜，实现空间可编程的荧光强度调控，完成权重的写入与重构。
在计算过程中，输入光信号为紫外图案，其亮度代表输入向量，照射在已写入权重的SP-MC膜上后发生荧光发射，实现输入与权重的乘法操作。输出的荧光图案直接对应矩阵–向量乘法结果，并可由相机记录或直接用肉眼观察，从而实现可见光域的输出显现。这种架构无需电信号转换器，亦无需传统显示设备，实现了真正意义上的in-memory-display computing。
【应用场景】如图4所示，基于上述物理基础搭建了荧光神经网络，进行矩阵矢量乘法运算，以此为基础识别三个不同人的指纹，输出并显示对应人的名字，同时进行了仿真和实验工作并比较了两者在权重和结果方面的不同，输出的结果通过进一步的求和和非线性可以得到更加标准的字母显示。
【总结】本研究首次实现了光致荧光的神经网络运算功能，构建出全新的“感知–记忆–计算–显示”一体化光计算硬件平台**，为未来的可穿戴设备、边缘AI感知系统、自然光信号处理与光学安全识别提供了可行方案。与传统ONN体系相比，FMVM具有以下五大优势：
- 零ADC/DAC：全光域处理，无需电信号转换；低功耗：无需持续能耗维持权重存储，适于边缘场景；并行显示输出：荧光图案可同时显示多类输出结果；非挥发存储能力：可写入/擦除并长期保存；材料拓展性强：可扩展至量子点、MOF、碳点等多类荧光材料，实现多波段荧光响应。
本工作得到了国家自然科学基金，深圳市孔雀计划，深圳市科技创新委员会等项目的资助。
论文信息：Songrui Wei, Shangcheng Yang, Dingchen Wang, Xiao Tang, Kunbin Huang, Yanqi Ge, Bowen Du, Zhi Chen, Zhongrui Wang, Xiaojun Liang, Weihua Gui, Wen Gao, Dianyuan Fan, and Han Zhang; Fluorescence matrix–vector multiplication: realization of in-memory-display computing; Optica 12(7), 968-977 (2025); https://doi.org/10.1364/OPTICA.555491
