清华研究登Nature，首创全前向智能光计算训练架构，戴琼海、方璐领衔
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。
❓
Q&A
全前向模式（FFM）学习方法的主要优势是什么？
FFM学习方法通过光的前向传播训练光神经网络，避免了光学系统建模的限制，能够达到与理想模型相当的准确率。
清华大学的研究团队在光计算领域取得了哪些突破？
研究团队开发了全前向模式（FFM）学习方法，并推出了计算能力比英伟达H100高1000倍的'太极-II'光训练芯片。
FFM学习如何解决光神经网络训练中的瓶颈问题？
FFM学习通过光的前向传播等效于神经网络的前向与反向传播，减轻了对光学系统建模的依赖，从而解决了训练中的瓶颈问题。
太极-II光训练芯片的计算能力如何与现有技术比较？
太极-II光训练芯片的计算能力比英伟达H100高1000倍，显示出其在光计算领域的显著优势。
FFM学习在实际应用中有哪些潜在的影响？
FFM学习可以推动深度神经网络、超灵敏感知和拓扑光学等领域的发展，具有广泛的应用潜力。
FFM学习在多层光神经网络中的表现如何？
在多层光神经网络中，FFM学习显著提升了准确率，接近理想计算机的准确率。
🏷️
