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”。
关键要点
-
清华大学研究团队开发了一种全前向模式学习方法，提高了AI对光学系统建模的能力。
-
光学计算利用光的速度和特性提升机器学习的速度和能效。
-
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。
-
研究成果发表在顶级期刊Nature上，展示了FFM学习的高效性和精确性。
-
研究使用了7种数据集进行多层分类实验，验证了FFM学习的有效性。
-
FFM学习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。
-
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。
-
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。
-
我国的光计算产业链逐步成熟，相关的产学研体系高效运转，推动数字经济的发展。
延伸问答
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。
