人工智能在图像快速、准确处理方面的能力推动了多领域技术进展。圣路易斯华盛顿大学麦克凯尔维工程学院研究人员近日提出一种以光学系统替代传统数字算法的方案，旨在提升机器视觉与AI诊断的处理效率与能力，同时降低能耗。

该方法由电气与系统工程助理教授Mark Lawrence与博士生赵博共同开发。研究团队指出，全光学图像处理长期受限于非线性不足：非线性效应往往需要高光强或外部电源支持，难以在日常应用场景中实现。为此，团队利用被称为“超表面”的纳米结构薄膜，在无源条件下增强光学非线性，使其更接近日常光源与应用需求。

研究展示了基于光强的图像滤波能力，目标是在不引入额外能量消耗的情况下增强全光学神经网络的功能。相关成果于2026年1月21日在线发表于《Nano Letters》。

Lawrence表示，能够执行傅里叶变换、偏振操作或边缘提取等线性变换的全光学滤波器已较为成熟，并可与日常光源兼容，但进一步提升全光学图像处理能力的关键在于非线性。他同时指出，多数强度依赖的光学图像滤波在无源系统中难以实用，原因包括需要极高光强、外部电力，或以牺牲空间细节为代价，因此“低功耗无源非线性处理”一直是待解决问题。

在研究团队看来，主要障碍在于室温、无偏置材料中缺乏强光—物质耦合。为突破这一限制，团队借鉴两种常见现象背后的物理机制：材料受热后性质会发生变化，以及材料吸收光后会升温。研究人员据此设计共振硅天线，使其对温度变化尽可能敏感并尽可能多地吸收光，从而在极低光强照射下使暗像素趋于透明。

团队称，吸收与透明通常难以同时实现，但其纳米结构可捕获最高约40%的入射光，并在加热后实现几乎全部透过。通过在芯片上布置数千个微小纳米结构，研究人员构建出一种对光强响应的器件，可按亮度对图像特征进行选择性滤波，功能类似数字算法中的关键阈值操作。该方法适用于极低光强环境且无需额外能量，并采用硅纳米结构，能够适配多种波长。

研究人员表示，这一技术有望在不增加能耗的前提下提升低成本图像传感器的性能，并与现有摄像技术兼容。