近日，浙江大学伊利诺伊大学厄巴纳香槟校区联合学院（ZJUI）研究员、助理教授钱超团队在光子神经形态计算与智能光学计算领域提出并实验验证了一种基于时间编码的并行非线性超表面处理器，相关成果Parallel nonlinear neuromorphic computing with temporal encoding发表于Science Advances。浙江大学2022级电子科学与技术专业博士研究生游广枫为第一作者，ZJUI助理教授钱超与浙江大学信息与电子工程学院教授陈红胜为共同通讯作者，浙江大学为唯一通讯单位。

随着前沿计算技术的快速发展，低功耗、高性能计算硬件的需求日益迫切。神经形态光子计算凭借光的高速传播与并行处理优势，为高吞吐量信息处理提供了新的实现路径。然而，传统非线性材料与光电转换方式在能效和调控灵活性方面仍存在局限，制约了该领域的进一步发展。针对这一挑战，研究团队提出了一种并行非线性神经形态超表面处理器。该处理器通过多次散射激发高阶项，在系统整体响应中引入等效非线性效应，无需依赖复杂的非线性材料或高功率激励。系统输出可表示为各层响应函数的乘积，既保留了执行任意复值线性变换的能力，又具备了逼近复杂非线性函数的表达力。

▲基于时间编码的并行非线性超表面处理器

在具体实现中，研究团队采用时间编码策略，将输入数据与权重矩阵共同映射至超表面的时间编码序列中。各级超表面对信号进行线性散射，多层响应叠加后，即可在系统层面产生等效非线性计算结果。通过增加级联超表面的数量，可进一步提升非线性阶数，无需依赖额外的非线性材料或高功率激励源。此外，该架构还能利用信息状态对入射条件的灵敏响应，在同一物理平台上实现多任务并行处理。

▲非线性超表面处理器的物理机制（左）和并行计算算法（右）

研究团队进一步在图像识别与迷宫求解任务中验证了该系统的有效性。得益于时间序列编码策略，系统可处理不同尺寸的输入图像，其规模不再受限于超表面的物理单元数量。在多任务场景下，该系统能够同时完成人脸表情识别与性别分类，展现出较强的并行推理能力。此外，该处理器还可模拟多种神经网络结构，并在迷宫探索中表现出基于历史信息的动态记忆与路径规划能力。该工作通过多层线性散射实现了可扩展的等效非线性，为物理神经网络的设计提供了新思路，并在智能超表面与低功耗边缘计算等领域展现出应用潜力。

▲图像分类和迷宫求解实验结果

该论文已发表于 Science Advances, vol. 12, no. 31, Art. no. eaea1114, July 2026, doi: 10.1126/sciadv.aea1114.

论文链接：https://www.science.org/doi/10.1126/sciadv.aea1114

Science Advances 期刊面向自然科学、生命科学、环境科学、工程技术、计算机科学、数学及社会科学等广泛领域，重点刊载能够推动学科发展、拓展科学与技术前沿的高质量原创研究，致力于通过专业的同行评审和编辑流程，向全球科研人员及公众传播具有广泛影响力或重要学科价值的科学成果。