💡
原文中文，约3800字，阅读约需9分钟。
📝
内容提要
清华大学的光电智能技术交叉创新团队在Nature上发表了一篇关于光计算训练的论文。他们开发了一种全前向模式（FFM）学习方法，通过光的前向传播来训练光神经网络，避免了光学系统建模的限制。研究表明，使用FFM学习可以达到与理想模型相当的准确率。此外，该方法还支持全光学聚焦和超灵敏感知，并可以在室温下进行光处理。研究团队还推出了"太极-II"光训练芯片，其计算能力比英伟达H100的1000倍。
🎯
关键要点
-
清华大学光电智能技术交叉创新团队在Nature上发表光计算训练论文。
-
开发全前向模式（FFM）学习方法，通过光的前向传播训练光神经网络，避免光学系统建模限制。
-
FFM学习可达到与理想模型相当的准确率，支持全光学聚焦和超灵敏感知。
-
研究团队推出'太极-II'光训练芯片，其计算能力比英伟达H100高1000倍。
-
光计算领域面临光神经网络训练依赖数据建模的瓶颈，难以修正实验误差。
-
FFM方法通过光的前向传播等效于神经网络训练中的前向与反向传播，减轻光学系统建模限制。
-
FFM学习支持在室温下进行光处理，且可实现高帧率成像。
-
FFM学习可自动搜索非厄米异常点，推动深度神经网络和拓扑光学等领域的发展。
-
FFM学习在多层光神经网络中表现出显著的准确率提升，接近理想计算机准确率。
-
FFM学习方法可推广到集成光系统的自设计中，实验结果显示高准确率。
-
基于FFM学习的'太极-II'光训练芯片在计算能力和能效上具有显著优势。
➡️
