光子计算在加速人工智能工作负载方面表现出色。本文提出了一种动态芯片内纠正框架（DOCTOR），能够自适应校准以应对噪声和环境变化，提升准确性34%，并显著降低开销。此外，研究还探讨了光计算与通信的集成，优化了机器学习硬件加速器的设计，推动光学神经网络在图像识别中的应用。

本文综述了光子计算与光神经网络的最新进展，涵盖可编程光子张量芯片M3ICRO、能效超电子TPU两三个数量级的集成光子TPU、加速机器学习的2.5D光电芯片、优化任务卸载的IOPO、实现图像分类的混合光电架构、降低损耗的MOON与MOMZI、提升能效的PoT量化、首超AlexNet的大核卷积光学网络、降低能耗延迟的ODiMO，并回顾了集成光子神经形态系统的挑战。

本文综述了多种神经网络加速器研究，包括基于微环谐振器的光子CNN加速器、光学随机计算、模拟ReRAM、TIMELY存内计算、BEANNA、AnalogNAS、PhotoHDC和Mirage等。这些方案在能效、吞吐量和面积效率上较传统设计显著提升，部分提升达数十倍。

该文综述集成光子技术在计算领域的进展：光子神经形态系统与光子TPU可高效加速深度神经网络推断和图像分割，能效比电子TPU高2至3个数量级；光子量子计算借助干涉仪、单光子源和集成芯片，成为大规模量子处理的有力竞争者；同时关注计算硬件的碳排放问题，并提出光子与强化学习结合的主动学习方案。