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”。

本文综述光学非线性在机器学习与光通信中的应用：利用光学计算实现图像分类，借助混沌光学提升边缘计算非线性处理；通过多次散射构建可编程光学多层网络，非线性激活将图像分类精度从85%提升至94%；采用自编码器优化光纤传输，使距离提高约三倍；量子点巨非线性助力光子量子计算；深度学习降低非线性薛定谔方程求解复杂度；光学非线性狭缝用于高分辨成像；Transformer实现非线性信道均衡；循环网络预测孤子压缩与超连续谱演化。

我们提出了一种超光谱存储体系结构，利用空间光调制器作为可编程光学存储器，通过空间复用和频率复用光频梳相结合，提高计算吞吐量和能源效率。实验结果表明，该系统在深度学习和优化任务中具有潜力，超越了传统光学计算体系结构的模块化性、可扩展性和可编程性，实现了高吞吐量、高能效光学计算的重要进展。