牛津光计算论文登Nature正刊，分析帕金森患者步态准确率达92.2%
内容提要
牛津大学的研究人员发表了一篇论文，介绍了一种利用降低光学相干性来增强光子卷积处理的方法。他们展示了使用降低时间相干性的光子卷积处理系统，可以提高处理并行性，并实现大规模光子张量核。研究人员在两个光子平台上展示了部分相干处理的广泛适用性。光计算芯片具有高并行度、高能效比和高速度的特点，适用于人工智能等领域。然而，实现大规模光计算芯片仍然是一个难题。研究人员通过降低光源的品质，消除相位噪声问题，并提高系统算力和带宽利用率。这项新技术有望将光芯片算力提升两个数量级，并降低系统能耗。
延伸解读
光计算芯片的挑战与创新思路
光计算芯片虽具有高并行度、高能效比和高速度的优势，但实现大规模集成一直面临调控成本高的难题。传统方法依赖多个激光光源，每个光源的波长和相位需精准控制，导致系统复杂且能耗大。牛津大学的研究反其道而行，通过降低光源相干性，使用部分相干光，消除了相位噪声和复杂调控需求，为大规模光计算芯片的实现提供了新路径。
部分相干光如何提升算力与能效
部分相干光通过解耦波长数量与输入通道数量的关联，使单一光源即可支持任意大小的光计算芯片。例如，在80nm工作带宽下，使用线宽0.8nm的部分相干光，并行度可达100，算力比传统相干光系统提升100倍。同时，消除相位敏感性降低了对反馈控制和热管理的要求，从而大幅降低系统能耗，有望将光芯片算力提升两个数量级。
实验验证与应用前景
研究在相变材料光子存储器和硅光子张量核两个平台上验证了部分相干处理的广泛适用性。在帕金森病患者步态分类任务中，3×3光子张量核实现了92.2%的准确率；在MNIST手写数字分类中，9×3硅光子张量核达到了92.4%的准确率。这些结果展示了部分相干光计算在人工智能领域的潜力，尤其适合大模型、自动驾驶和具身智能等对算力和能耗要求极高的场景。
Q&A
牛津大学的研究人员在论文中提出了什么新方法？
研究人员提出了一种利用降低光学相干性来增强光子卷积处理的方法。
光计算芯片的主要优势是什么？
光计算芯片具有高并行度、高能效比和高速度，适用于人工智能等领域。
研究中如何提高光计算芯片的算力和效率？
通过降低光源的品质，消除相位噪声问题，并提高系统算力和带宽利用率。
光计算芯片在自动驾驶领域的应用前景如何？
光计算芯片能够在大算力前提下降低功耗，保证新能源汽车在全自动驾驶下的续航表现。
实现大规模光计算芯片面临哪些挑战？
大规模光计算芯片需精准控制多个激光光源的波长和相位，调控成本高且复杂。
部分相干光源如何影响光计算性能？
部分相干光源可以消除相位敏感性，提升光计算芯片的算力和效率。
