本文提出卷积科尔莫戈洛夫-阿诺德网络（Convolutional KANs），通过将非线性激活函数集成到卷积中，显著减少参数量并保持准确性。研究表明，KAN在图像分类任务中表现优越，尤其在高光谱图像分类中，提供了高效的替代方案。

本文综述光学非线性在机器学习与光通信中的应用：利用光学计算实现图像分类，借助混沌光学提升边缘计算非线性处理；通过多次散射构建可编程光学多层网络，非线性激活将图像分类精度从85%提升至94%；采用自编码器优化光纤传输，使距离提高约三倍；量子点巨非线性助力光子量子计算；深度学习降低非线性薛定谔方程求解复杂度；光学非线性狭缝用于高分辨成像；Transformer实现非线性信道均衡；循环网络预测孤子压缩与超连续谱演化。