国产光芯片重大突破！清华团队利用神经网络，首创全前向智能光计算训练架构
内容提要
清华大学研究团队开发了一种全前向模式学习方法，通过光学计算训练出具有数百万参数的深层光学神经网络，提高了AI对光学系统建模的能力。研究结果发表在Nature上。FFM学习方法还可扩展到集成光子系统的自设计。相关研究团队还推出了光训练芯片“太极-II”。
延伸解读
全前向学习如何突破光学训练瓶颈
传统光学神经网络训练依赖数字计算机模拟，需要精确模型和大量数据，且随系统复杂度增加而愈发困难。清华团队利用光子传播的对称互易性，将前向与反向传播都等效为光的前向传播，提出全前向模式（FFM）学习。这种方法直接在光学系统现场计算梯度并更新折射率，无需离线建模，从而减轻了AI对光学系统建模的依赖，并能训练具有数百万参数的深层光学神经网络。
实验验证：从基准数据集到非线性提升
研究在7个数据集上验证FFM学习，包括MNIST、Fashion-MNIST、CIFAR-10、ImageNet等。单层光神经网络训练中，实验与理论光场的结构相似性指数超过0.97。多层网络在Fashion-MNIST上，随层数从2增至8，准确率从86.5%提升至92.5%，接近计算机模拟水平。引入非线性FFM学习后，分类准确率从90.4%进一步提高到93.0%，表明该方法适用于光电和全光非线性网络。
FFM在复杂光子设计中的效率优势
FFM学习简化了复杂光子系统的设计。在点扫描散射成像系统中，基于梯度的FFM学习经过25次迭代即收敛，损失值分别为1.84和2.07；而粒子群优化（PSO）至少需要400次迭代，损失值为2.01和2.15。在非视距成像任务中，FFM设计的波前能恢复所有3个字母形状，结构相似性指数达1.0，且相比人工神经网络，FFM仅需更少光子即可准确分类隐藏物体。
从太极-II芯片看智能光计算进展
基于该研究，团队推出了光训练芯片“太极-II”，其能效是英伟达H100的1000倍，相关成果登上Science。国内多所高校在智能光计算领域各有侧重：清华大学团队研发的AI光电融合芯片在智能图像识别等场景完成实验；华中科技大学团队的光电混合芯片实现表情识别；上海交通大学团队完成医学图像重构等计算实验。同时，曦智科技、光子算数等企业也已加入国际竞争，推动光计算产业链逐步成熟。
Q&A
清华大学的研究团队开发了什么新方法来提高光学系统建模能力？
清华大学研究团队开发了一种全前向模式学习方法（FFM），通过该方法提高了AI对光学系统建模的能力。
FFM学习方法的主要优势是什么？
FFM学习方法能够训练具有数百万参数的深层光学神经网络，减轻了AI对光学系统建模的限制，并提高了学习效率和精度。
研究团队推出的光训练芯片有什么特点？
研究团队推出的光训练芯片“太极-II”能效是英伟达H100的1000倍，具有强大的计算能力。
FFM学习方法如何影响光学系统的设计？
FFM学习方法简化了复杂光子系统的设计，支持全光现场重建和动态隐藏物体的分析。
该研究使用了哪些数据集进行实验？
研究使用了7种数据集，包括MNIST、Fashion-MNIST、CIFAR-10、ImageNet等进行多层分类实验。
智能光计算在国内外的发展现状如何？
智能光计算在国内外的研究和应用逐渐成熟，相关企业和高校的研究成果不断涌现，产业链逐步成熟。
