随着人工智能（AI）技术的快速发展，深度学习在复杂任务中取得了显著进展。然而，深度学习的成功在很大程度上依赖于大量标注数据，而数据的标注过程不仅耗时、劳动密集，还需要专业的领域知识，成本高昂。特别是在一些专业领域中，如机器人技能学习、催化剂发现、药物发现和蛋白质生产优化等，获取标注数据的难度和成本尤其突出。为了解决这一问题，深度贝叶斯主动学习（Deep Bayesian Active Learning, DBAL）应运而生。DBAL通过主动选择最有信息量的数据进行标注，显著提高了标注效率，从而在有限标注数据的情况下实现高质量的学习。 然而，DBAL的实现面临着一个重要的技术挑战：它需要处理大量的随机变量和高带宽的数据传输，这对传统的确定性硬件提出了极高的要求。传统的互补金属氧化物半导体（Co...

超光谱存储内计算与光频梳和可编程光存储器的应用 导言 近年来，机器学习的突破促进了包括医疗、金融、零售、汽车和制造业在内的多个行业的革命性发展。这些转变导致对广泛的矩阵-向量乘法运算(mvm)需求激增，这对于大规模优化和深度学习算法是至关重要的。然而，这种日益增长的计算需求挑战了传统的冯·诺依曼数字电子计算机架构，该架构将存储器和处理单元分开，从而导致“冯·诺依曼瓶颈”，即数据在存储器和处理器之间的传输速度限制了整体系统性能。为了解决这一性能瓶颈，存储内计算作为一种变革性的解决方案浮现出来，它通过将非易失性存储元素直接集成到处理器中，推动更高效的数据移动、降低能耗和实现高度并行计算。 与此同时，光学计算系统因其天生适合并行数学运算而重新引起了关注。这些系统自几十年前首次出现以来，已经取得了显...