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教授张晗、助理教授魏松瑞课题组与香港大学、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），深圳大学为第一完成单位和通讯作者单位，魏松瑞及其研究生杨尚程为共同第一作者，张晗教授为通讯作者。
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。
材料表征
如图2, 3所示，图2是spiropyran（SP）/merocyanine（MC）薄膜在可见光和紫外线照射下的光致变色行为及其可逆性，稳定性和分辨率的表征，光致变色效应是本工作权重编程的物理基础，带来了高空间分辨率，高权重精度，可擦写重复训练等优势。例如，通过调节UV光强与曝光时间，实现连续可调的MC浓度。实验实现了5-bit（32级）荧光强度分辨率，并在显微尺度下实现了约33 μm的空间写入精度。荧光发射响应时间