彼らが導き出した解決策が、「QNM-Net（Quasinormal Mode-Based Neural Network）」と呼ばれる独自のアーキテクチャである。このシステムは、単にAIの予測結果を後から物理的な条件で補正するものではない。AIの神経回路の奥底に、光の共鳴を記述する数学的枠組みを直接組み込んでいるのである。
このアプローチの核心は、「擬似基準モード（Quasinormal Modes: QNM）」の理論にある。光が物質にぶつかって散乱する際の複雑な応答を、研究チームは「鐘の音」に例えられる共鳴モードの足し合わせとして分解した。外部へエネルギーが逃げていく（音が減衰していく）開放系において、光がどのように閉じ込められ、そして漏れ出していくのか。QNM展開という理論を用いることで、システムはエネルギー保存則を満たす厳密な計算式の上で予測を行うことができる。
彼らが導き出した解決策が、「QNM-Net（Quasinormal Mode-Based Neural Network）」と呼ばれる独自のアーキテクチャである。このシステムは、単にAIの予測結果を後から物理的な条件で補正するものではない。AIの神経回路の奥底に、光の共鳴を記述する数学的枠組みを直接組み込んでいるのである。
このアプローチの核心は、「擬似基準モード（Quasinormal Modes: QNM）」の理論にある。光が物質にぶつかって散乱する際の複雑な応答を、研究チームは「鐘の音」に例えられる共鳴モードの足し合わせとして分解した。外部へエネルギーが逃げていく（音が減衰していく）開放系において、光がどのように閉じ込められ、そして漏れ出していくのか。QNM展開という理論を用いることで、システムはエネルギー保存則を満たす厳密な計算式の上で予測を行うことができる。
通常のニューラルネットワークが意味のある予測精度に到達するためには、数千から数万の訓練サンプルが必要だった。しかしQNM-Netは、全体のわずか2%にあたる160個のデータサンプルを学習しただけで、平均二乗誤差が10のマイナス3乗を下回る極めて高い精度を叩き出した。