本文探讨了将光计算与通信集成到2.5D芯片平台，以加速机器学习硬件。基于硅光子学的加速器在大型语言模型和图神经网络中实现了10.2倍的吞吐量提升和3.8倍的能效提高，同时其碳足迹显著低于传统电子硬件。

本文介绍了利用深度学习设计 D2NNs 进行光计算的方法，通过特征工程和集成学习的改进，提高了图像分类准确度，在 CIFAR-10 测试图像上达到了 61.14％和 62.13％的盲测试准确率。