人工智能（AI）正在迅速改变现代产业，其应用范围涵盖自然语言处理[1]、计算机视觉[2]、医学诊断[3]和自动驾驶[4]等领域。这一技术变革得益于机器学习模型规模和复杂性的指数级增长[5]，这对计算硬件提出了前所未有的要求[6]。然而，传统的电子架构存在固有的局限性[7]。冯·诺依曼架构中存储单元和处理单元的物理分离导致了众所周知的“内存墙”问题[8]，即大量的数据传输导致了高延迟和过高的能耗[9]，这在部署大规模模型（如Transformer[10]）时尤为关键。光神经网络（ONNs）作为一种有前景的计算范式应运而生，它利用光子而非电子作为信息载体，从而克服了这些瓶颈[11]。得益于光的超快传播速度、大规模并行性和低能耗，ONNs可以直接在光学域内执行矩阵运算，显著减少了与电光转换相关的开销[12]。因此，ONNs的能量效率比电子平台高出几个数量级。尽管在线性运算方面具有优势，ONNs仍面临一个核心挑战，即实现高效、宽带的非线性激活函数[13]、[14]。由于非线性矩阵运算必须通过光学方式实现，因此找到同时具备强非线性光学（NLO）响应、低成本和易于集成的材料至关重要[15]。
贵金属纳米粒子（如金和银）在非线性光学领域引起了广泛关注，特别是在开发高性能饱和吸收剂方面[16]、[17]。贵金属纳米粒子的吸引力在于其局域表面等离子体共振（LSPR）效应，即入射光子能够共振驱动纳米粒子中自由电子的集体振荡，产生强烈的局部电磁场[18]、[19]。通过控制纳米粒子的尺寸、形态和介电环境，可以精确地将LSPR峰值调谐到目标波长[19]、[20]。这种等离子体共振不仅决定了线性吸收特性，还显著增强了三阶非线性[21]。例如，金纳米薄膜在400纳米处的非线性吸收系数可达103 cm·GW-1 [22]，而银纳米线薄膜[23]和铱纳米粒子[24]在不同光谱区域也表现出显著的非线性响应。然而，贵金属纳米粒子在实际应用于ONNs时受到多种限制[25]。它们的组成元素稀缺且昂贵，导致大规模制造成本高昂。贵金属的LSPR带宽通常较窄[22]、[23]、[24]，限制了其操作波长范围，并降低了与多波长光学系统的兼容性。这些限制使得它们不适合用于可扩展、宽带且成本效益高的ONNs实现，因此需要探索结合强非线性响应、更宽可调范围和更低成本的替代材料。
为了克服这些挑战，我们提出了一种新策略，利用Galinstan（Ga-In-Sn合金[26]、[27]）液态金属纳米薄膜作为高性能的光学非线性激活平台。与以往关于传统金属或等离子体饱和吸收剂的报告[27]、[28]、[29]、[30]、[31]、[32]、[33]、[34]、[35]、[36]不同，Galinstan液态金属纳米薄膜的独特之处在于它结合了设备兼容的致密薄膜、实验验证、适用于ONNs的饱和吸收、低成本液态金属与氧化层外壳、基于LSPR的机制、无需光刻的制造工艺以及单一组分的简单性（详见补充信息中的表S1）。液态金属合金在室温下独特地结合了金属特性和流体适应性，其组成元素丰富、成本低廉且对环境友好[26]、[27]、[37]、[38]。Galinstan纳米粒子表现出尺寸依赖的LSPR，通过超声波调控粒子尺寸，可以将其从可见光范围连续调谐到近红外范围（大约400–1100纳米），从而提供比贵金属纳米粒子更宽的光谱覆盖范围[27]。这种可调性确保了与不同波长运行的多种ONNs架构的兼容性。除了等离子体吸收外，Galinstan还展示了显著的非线性折射特性。据报道，Galinstan纳米粒子的非线性折射率在400–4000纳米的宽光谱范围内可达104–105 cm2 GW-1，远超许多传统介电或金属非线性材料的数值[27]。这表明在相对较低的激发强度下也能实现强非线性相互作用。尽管具有这些优势，但对Galinstan的非线性吸收行为的系统研究，尤其是在固态形式下的研究仍然有限[39]。以往的研究主要集中在溶液基Galinstan纳米粒子上，虽然这些系统对基础研究很有用，但存在不稳定性和与集成光子平台不兼容的问题[27]。
在这项研究中，我们介绍了一种基于尺寸可控的Galinstan纳米薄膜的可重构全光非线性激活函数（图1(a)），通过LSPR增强的吸收实现宽带和可调的NLO响应。通过精确调整纳米粒子尺寸，我们建立了共振波长与NLO强度之间的定量关系，实现了宽光谱覆盖和稳健的非线性调制。利用这种工程化的NLO行为，我们在ONNs模型中实现了光学激活功能（图1(b)），并在多个分类任务的标准机器学习基准测试中评估了其性能。基于Galinstan的设备在MNIST和Fashion-MNIST识别任务中的能量效率优于传统的光电非线性方法。在MNIST识别任务中，基于Galinstan的设备的分类准确率达到了97.54%。此外，在复杂的Fashion-MNIST识别任务中，分类准确率也超过了传统非线性方法，达到了87.90%。
