【产通社，9月22日讯】华中科技大学（Huazhong University of Science & Technology, HUST）官网消息，武汉光电国家研究中心董建绩、周海龙等人在光学神经网络芯片扩展性方面取得重要突破。他们提出了一种名为“部分相干光学深度神经网络”新架构，成功解决了片上光神经网络的深度扩展和规模扩展两大瓶颈。该架构采用级联增益的光学非线性激活函数和部分相干光源，实现了迄今为止输入规模最大、层数最多的单片集成光学神经网络。研究成果发表于Light-Science & Applications，题为“Scaling up for end-to-end on-chip photonic neural network inference”。

光学神经网络（ONN）因其高带宽和高能效的优势，被认为是替代传统电子芯片的下一代人工智能（AI）计算候选方案之一。然而，在单芯片上实现大规模的端到端（end-to-end）光学推理仍面临巨大挑战。首先，传统光学非线性激活函数的级联能力弱，能量衰减限制了网络向更深的隐藏层扩展；其次，片上光学矩阵的规模受限于输入端口数目，以及对窄线宽激光器等高成本光源的依赖。为突破这些限制，研究团队提出“部分相干光学深度神经网络”架构，从三个方面进行了创新：
增益型非线性激活函数：通过设计一种基于光-电-光（O-E-O）转换的片上非线性激活函数，实现了正值净增益，确保了信号在多层网络间的有效传递和处理，从而能够扩展神经网络的深度。部分相干光源：传统方案中，相干计算依赖复杂相干探测；而非相干计算依赖大量窄线宽波长的扩展，成本高。本方案引入部分相干光源，无需相干探测，显著降低了系统对窄线宽激光器的依赖，为大规模并行计算和系统扩展提供了新路径。
实数域计算架构：整个网络在实数域中运行，可直接表示正、负权重而无需额外编码。该设计降低了硬件复杂度和能耗，尤其在部分相干光下更具优势，因为传统的相位编码来表示符号值变得极具挑战性。

基于上述创新，团队设计并制造了一款单片集成的深度神经网络芯片，其尺寸约为17平方毫米。该芯片包含一个64维输入层、两个卷积层、两个全连接层，是目前已报道的输入规模最大、网络深度最深的光学神经网络芯片。利用该芯片成功进行了端到端的图像分类任务。在部分相干光源输入的情况下，芯片对四分类手写数字的识别准确率达到94%，对二分类时尚图片的识别准确率达到96%。此外，芯片的单次推理延迟约为4.1ns，计算能效为121.7 pJ/OP，展现了其在高速、节能计算方面的巨大潜力。

该项研究展示了目前输入规模最大、网络深度最深的单片集成光学神经网络，并且首次验证了利用部分相干光进行实值光学计算的可行性，为构建更易于普及、成本更低且高度可扩展的光学计算系统开辟了新道路。

查询进一步信息，请访问官方网站http://news.hust.edu.cn/zhxw.htm，以及https://www.nature.com/articles/s41377-025-02029-z。（Robin Zhang，产通数造）颈

【产通社，9月22日讯】华中科技大学（Huazhong University of Science & Technology, HUST）官网消息，武汉光电国家研究中心董建绩、周海龙等人在光学神经网络芯片扩展性方面取得重要突破。他们提出了一种名为“部分相干光学深度神经网络”新架构，成功解决了片上光神经网络的深度扩展和规模扩展两大瓶颈。该架构采用级联增益的光学非线性激活函数和部分相干光源，实现了迄今为止输入规模最大、层数最多的单片集成光学神经网络。研究成果发表于Light-Science & Applications，题为“Scaling up for end-to-end on-chip photonic neural network inference”。

光学神经网络（ONN）因其高带宽和高能效的优势，被认为是替代传统电子芯片的下一代人工智能（AI）计算候选方案之一。然而，在单芯片上实现大规模的端到端（end-to-end）光学推理仍面临巨大挑战。首先，传统光学非线性激活函数的级联能力弱，能量衰减限制了网络向更深的隐藏层扩展；其次，片上光学矩阵的规模受限于输入端口数目，以及对窄线宽激光器等高成本光源的依赖。为突破这些限制，研究团队提出“部分相干光学深度神经网络”架构，从三个方面进行了创新：
增益型非线性激活函数：通过设计一种基于光-电-光（O-E-O）转换的片上非线性激活函数，实现了正值净增益，确保了信号在多层网络间的有效传递和处理，从而能够扩展神经网络的深度。部分相干光源：传统方案中，相干计算依赖复杂相干探测；而非相干计算依赖大量窄线宽波长的扩展，成本高。本方案引入部分相干光源，无需相干探测，显著降低了系统对窄线宽激光器的依赖，为大规模并行计算和系统扩展提供了新路径。
实数域计算架构：整个网络在实数域中运行，可直接表示正、负权重而无需额外编码。该设计降低了硬件复杂度和能耗，尤其在部分相干光下更具优势，因为传统的相位编码来表示符号值变得极具挑战性。

基于上述创新，团队设计并制造了一款单片集成的深度神经网络芯片，其尺寸约为17平方毫米。该芯片包含一个64维输入层、两个卷积层、两个全连接层，是目前已报道的输入规模最大、网络深度最深的光学神经网络芯片。利用该芯片成功进行了端到端的图像分类任务。在部分相干光源输入的情况下，芯片对四分类手写数字的识别准确率达到94%，对二分类时尚图片的识别准确率达到96%。此外，芯片的单次推理延迟约为4.1ns，计算能效为121.7 pJ/OP，展现了其在高速、节能计算方面的巨大潜力。

该项研究展示了目前输入规模最大、网络深度最深的单片集成光学神经网络，并且首次验证了利用部分相干光进行实值光学计算的可行性，为构建更易于普及、成本更低且高度可扩展的光学计算系统开辟了新道路。

查询进一步信息，请访问官方网站http://news.hust.edu.cn/zhxw.htm，以及https://www.nature.com/articles/s41377-025-02029-z。（Robin Zhang，产通数造）    （完）