近日，北京量子信息科学研究院超快光谱学团队和清华大学合作在室温条件下成功实现了激子极化激元超快神经态计算，对MNIST数据库达到了92%以上识别正确率。2025年06月02日，相关结果于以“Ultrafast neuromorphic computing driven by polariton nonlinearities”为题，在线发表在eLight期刊上，并被选为featured article。
过去十年，人工智能的发展取得了突破性进展。图像识别、语音理解、自动驾驶等应用的背后，是深度神经网络在不断提升。支撑这一切的，是庞大的计算资源和高速芯片的持续堆叠。
现实中，训练一个先进的AI模型，往往需要长时间运行数以百计的GPU设备，所需能耗巨大。这类计算依赖传统电子架构，其本质仍是依次处理信息的逻辑电路，在处理复杂、并行、时变任务时存在天然的效率限制。这让研究者们开始思考：有没有可能跳出电子芯片的限制，构建一种全新的、物理层面的“类脑计算”系统？神经形态计算希望模仿大脑的运行机制，在物理结构层面直接实现类神经网络的并行处理和联动响应。这不仅意味着更高的效率，也意味着一种根本不同于现有芯片的“新型计算架构”。
激子极化激元是由半导体中激子与光子强耦合形成的一种准粒子，兼具光子的高速传输与激子的非线性相互作用特性。这类准粒子具备天然的并行性、低功耗、超快响应等优势，被认为是实现神经形态计算的理想候选之一。然而，现有的激子极化激元神经形态计算方案普遍依赖低温操作和复杂的纳米结构加工，不利于实际部署。能否在常温下实现激子极化激元驱动的神经形态计算，成为推动该方向发展的关键问题。
针对这一挑战，北京量子信息科学研究院超快光谱学团队联合清华大学熊启华教授团队构建了一个基于钙钛矿微腔的激子极化激元神经形态计算平台。该团队不仅对室温激子极化激元的非线性响应特性进行了全面的测量，还首次展示了无需预设网络结构条件下的图像识别任务，准确率达到92%，为全光神经形态计算硬件提供了新的材料方案和实验思路。
该平台的核心结构是一块平面FAPbBr3钙钛矿微腔，非共振激发下能够实现激子极化激元凝聚。研究团队利用空间光调制器将MNIST手写数字图像编码为空间调制的激发光场，并投射到微腔样品上。钙钛矿激子极化激元系统在不同输入下产生各异的发光模式，这些发光图案作为输出信号，经过线性回归处理完成分类判断。
激子极化激元神经形态计算的原理(a)识别流程(b)实验系统。
该论文第一作者为清华大学物理系博士生甘雨松和石莹，通讯作者为北京量子信息科学研究院助理研究员许华文和清华大学物理系教授/北京量子信息科学研究院兼聘研究员熊启华。该研究得到了国家自然科学基金委、北京量子信息科学研究院等机构的资助与支持。
