问题：散射介质让“可见”变“不可见”，跨场景识别难度大 在生物组织、浑浊水体、烟尘环境以及部分伪装材料中，光在传播时会发生多次散射，产生明显的相位与强度扰动，使传统成像系统难以获得清晰图像。现实应用往往不只需要“看见”，还要在有限时间和资源下完成识别与决策，例如内窥检测中的病灶筛查、水下机器人目标判别、通信链路的抗干扰解码，以及复杂环境下的目标感知。长期以来，这类问题主要依赖数字重建与计算成像：先采集大量数据，再通过算法复原或分类。但一旦散射介质发生变化，如组织结构差异、水体浑浊度波动或材料表面状态改变，模型往往需要重新标定或再训练，导致部署成本高、稳定性不足。 原因：传统数字路径对算力与标定依赖强，难以应对“未知散射体” 散射介质具有随机性和时变性，使“介质—光场—传感器”之间的映射关系难以长期稳定。数字算法通常需要大量迭代计算，图像复原、特征提取与分类推断层层叠加，对算力、能耗和时延提出更高要求。更关键的是，算法效果往往依赖对介质或统计特性的先验假设：训练集覆盖不足或介质分布发生漂移，都会带来性能下降。这也造成不少实验室方案在受控条件下表现良好，却难以在真实复杂环境中稳定泛化。 影响：全光衍射网络将计算“前移”到光传播过程，降低时延与能耗 针对上述痛点，加州大学洛杉矶分校研究团队提出全光衍射神经网络思路：用多项可设计的衍射层，在自由空间传播过程中完成信息处理，相当于将部分计算交给光学系统在传播中“直接完成”。方案的核心在两点：一是宽带多波长照明，通过20个不同波长同时入射，把散射造成的空间信息扭曲转化为可读出的光谱差异；二是单像素宽带探测，输出不再依赖复杂的图像传感阵列，而以单个像素的光谱强度作为分类依据，从硬件层面压缩数据量与计算链路。研究团队在训练阶段使用随机生成的多重散射体进行学习，并将训练得到的衍射结构制作为实体光学元件。实验任务为在未知散射介质后识别手写数字类别，仿真盲测准确率达到87.74%；随后通过太赫兹时域光谱系统与3D打印衍射元件完成实物验证，结果与仿真一致。 对策：以“硬件可泛化”提升工程可用性，推动跨波段迁移与系统集成 从工程应用看，该方案的价值不只体现在准确率提升，更在于提供了一条面向不确定散射环境的“硬件化”路径：通过训练阶段覆盖多类随机散射条件，增强对真实未知介质的适应性，减少现场频繁标定与算法迭代的依赖。其结构也具备扩展性：网络规模可随波长数量线性扩展，具备向可见光、近红外乃至微波等波段迁移的潜力，为不同任务提供可选的器件实现方式。要更走向应用，还需同步推进器件制造精度、系统稳定性与环境适配，例如提升衍射层加工一致性，优化宽带光源与探测器的匹配，建立统一的测试标准与误差评估体系，并与现有成像、通信或机器人平台开展系统级集成验证。 前景：有望服务医疗、水下与安全等场景，但仍需跨越制造与标准化门槛 当前业界关注的方向是低功耗、低时延、强鲁棒的感知与识别。全光衍射网络将部分计算负担从数字域转移到物理域，为边缘侧的快速判别提供了新的可能。在医疗领域，此思路或可支持更小型化、低发热的内窥与组织检测；在水下探测领域，有望提升浑浊环境中的目标分类能力；在信息安全与通信领域，宽带光谱特征映射也可能为抗干扰识别提供新的实现方式。同时，规模化落地仍需解决两类关键问题：一是器件的批量制造能力与长期可靠性；二是跨场景性能的可验证、可复现与可比较。随着光学制造工艺以及宽带光源和探测技术的进步，有关系统有望从实验验证走向更复杂的应用环境。
这项研究不仅回应了散射环境下识别难的问题，也展示了光学计算作为新型计算范式的潜力。不同于电子芯片主要依赖晶体管微缩与功耗管理的路径，光学计算凭借并行性强、能耗低等特点，为信息处理提供了另一种实现方向。随着光学计算从实验室走向实际系统，“看不见”的场景有望变得可感、可判别，人类认知与改造复杂环境上也将获得新的工具与能力。