Abstract The photonic Ising machine is a new paradigm of optical computing that takes advantage of the unique properties of light wave propagation, parallel processing, and low-loss transmission. Thus, the process of solving combinatorial optimization problems can be accelerated through photonic/optoelectronic devices, but implementing photonic Ising machines that can solve arbitrary large-scale Ising problems with fast speed remains challenging. In this work, we have proposed and demonstrated the Phase Encoding and Intensity Detection Ising Annealer (PEIDIA) capable of solving arbitrary Ising problems on demand. The PEIDIA employs the heuristic algorithm and requires only one step of optical linear transformation with simplified Hamiltonian calculation by encoding the Ising spins on the phase term of the optical field and performing intensity detection during the solving process. As a proof of principle, several 20 and 30-spin Ising problems have been solved with high ground state probability (≥0.97/0.85 for the 20/30-spin Ising model).

Weak feature enhancement is an important and intractable issue in machine vision fields. In this paper, an effective complex-scene inverse synthetic aperture radar (ISAR) image feature enhancement method is proposed based on spatial neighborhood sparse constraint hybrid clustering oversegmentation (SNSC-HCOS). A hybrid superpixel concept is first developed considering the consistency of pixel labels and the discrimination of perturbations. The scattering characteristic similarity, spatial proximity, neighborhood information, sparsity bias, and overall image features are simultaneously explored. The SNSC-HCOS algorithm is designed based on the hybrid superpixel concept, data reconstruction, and fuzzy c-means (FCM) clustering. Both sparsity constraints and local spatial information constraints are embedded into the oversegmentation framework, improving the perturbation defense capability and clustering robustness. To correct misclassified pixel membership and improve system efficiency, median membership filtering and area merging strategies are further applied. Extensive qualitative and quantitative experiments are conducted on a real-scene dataset, demonstrating that SNSC-HCOS greatly outperforms the outstanding comparison systems. The proposed system has good segmentation performance, can generate more pure superpixels with regular shapes and uniform sizes, and has perturbation defense and feature enhancement capabilities.

This study develops synergistic carrier-free nanodrugs, characterized by high drug loading and the capacity for rapid endo/lysosomal escape. We investigate the impact of MPN layer thickness on the chemo-phototherapeutic efficacy of these nanodrugs.

Object detection and tracking are critical and fundamental problems in machine vision task. In this paper, an object detection and tracking method is proposed based on deep feature distillation. Particularly, an adaptive unsupervised Teacher-Student unified framework is developed. The Teacher module is performed by an expandable generative adversarial network mixture model. And knowledge discrepancy ranking (KDR) is designed to optimize Teacher resource allocation with the historical underlying knowledge. The Student module is developed based on a lightweight probabilistic generative model. And an unsupervised learning scheme is presented based on Gumbel-Soft sampling optimization to train jointly. A series of experiments are performed on authoritative dataset, demonstrating that the proposed method outperforms the state-of-the-art comparison methods.

Laser & Photonics ReviewsVolume 18, Issue 12 2470074 Inside Back CoverFree Access Angle-Insensitive Spectral Imaging Based on Topology-Optimized Plasmonic Metasurfaces (Laser Photonics Rev. 18(12)/2024) Jiawei Yang, Jiawei YangSearch for more papers by this authorKaiyu Cui, Kaiyu CuiSearch for more papers by this authorYidong Huang, Yidong HuangSearch for more papers by this authorWei Zhang, Wei ZhangSearch for more papers by this authorXue Feng, Xue FengSearch for more papers by this authorFang Liu, Fang LiuSearch for more papers by this author Jiawei Yang, Jiawei YangSearch for more papers by this authorKaiyu Cui, Kaiyu CuiSearch for more papers by this authorYidong Huang, Yidong HuangSearch for more papers by this authorWei Zhang, Wei ZhangSearch for more papers by this authorXue Feng, Xue FengSearch for more papers by this authorFang Liu, Fang LiuSearch for more papers by this author First published: 09 December 2024 https://doi.org/10.1002/lpor.202470074AboutPDF ToolsRequest permissionExport citationAdd to favoritesTrack citation ShareShare Give accessShare full text accessShare full-text accessPlease review our Terms and Conditions of Use and check box below to share full-text version of article.I have read and accept the Wiley Online Library Terms and Conditions of UseShareable LinkUse the link below to share a full-text version of this article with your friends and colleagues. Learn more.Copy URL Share a linkShare onEmailFacebookxLinkedInRedditWechat Graphical Abstract 3D Photonic Device for Spatial Mode Bases Mapping On-chip angle-robust computational spectral imaging based on topology-optimized plasmonic metasurfaces is proposed and experimentally reported in article number 2400255 by Kaiyu Cui, Yidong Huang, and co-workers. The fidelity of spectral reconstruction realized by an auto-encoder is over 98% under a 30° field-of-view, and spectral imaging for a standard color checker is demonstrated. This approach expands the application fields of spectral imaging chips such as wide-angle or off-axis spectral imaging. Volume18, Issue12December 20242470074 RelatedInformation

Understanding and predicting athletes' mental states is crucial for optimizing sports performance. This study introduces a hybrid BERT-XGBoost model to analyze psychological factors such as emotions, anxiety, and stress, and predict their impact on performance. By combining BERTs bidirectional contextual learning with XGBoosts classification efficiency, the model achieves high accuracy (94%) in identifying psychological patterns from both structured and unstructured data, including self-reports and observational data tagged with categories like emotional balance and stress. The model also incorporates real-time monitoring and feedback mechanisms to provide personalized interventions based on athletes psychological states. Designed to engage athletes intuitively, the system adapts its feedback dynamically to promote emotional well-being and performance enhancement. By analyzing emotional trajectories in real-time, it offers empathetic, proactive interactions. This approach optimizes performance outcomes and ensures continuous monitoring of mental health, improving human-computer interaction and providing an adaptive, user-centered model for psychological support in sports.

Optical neural networks are considered next-generation physical implementations of artificial neural networks, but their capabilities are limited by on-chip integration scale and requirement for coherent light sources. This study proposes a spectral convolutional neural network (SCNN) with matter meta-imaging. The optical convolutional layer is implemented by integrating very large-scale and pixel-aligned spectral filters on CMOS image sensor. It facilitates highly parallel spectral vector-inner products of incident incoherent natural light i.e., the direct information carrier, which empowers in-sensor optical analog computing at extremely high energy efficiency. To the best of our knowledge, this is the first integrated optical computing utilizing natural light. We employ the same SCNN chip for completely different real-world complex tasks and achieve accuracies of over 96% for pathological diagnosis and almost 100% for face anti-spoofing at video rates. These results indicate a feasible and scalable in-sensor edge computing chip of natural light for various portable terminals. Optical neural networks have been successfully realized on-chip level, yet to operate it requires coherent light sources. Here, the authors proposed integrated computing based on natural light by combining large-scale spectral filters on CMOS image sensor to facilitate vector-inner products from incoherent light.

Abstract Ground-Penetrating Radar (GPR) has become a powerful geophysical technique for investigating soil water dynamics. In this study, we proposed an inversion scheme based on Grey Wolf Optimizer (GWO) to monitor the change of SWC from the time-lapse of the full waveform of GPR data. The scheme was applied to GPR data acquired during a drainage experiment. Five traces at different times were selected in the experiment. The results show that the proposed scheme is very promising for directly and non-invasively monitoring of SWC change from the time-lapse of the full waveform inversion of GPR data based on field scale GWO algorithm.