我国科研团队在光计算领域取得重要进展

近日，武汉光电国家研究中心董建绩教授、周海龙副教授团队在光计算领域取得重要进展，提出并展示了一种全新的光逻辑卷积神经网络（OLCNN）架构。该研究通过将光逻辑运算与深度学习架构深度融合，为解决传统光模拟计算中易受环境干扰、依赖高精度数模、模数转换器，以及非线性缺失等核心痛点提供了全新方案。相关研究成果发表在学术期刊Science Advances上，题为“Optical logic convolutional neural network ”。

随着人工智能大模型及实时任务的算力需求呈指数级增长，传统电子计算面临严重的功耗与延时瓶颈。光计算凭借高速、低能耗的物理优势，被视为突破“算力荒”的关键技术。然而，现有的模拟光计算方案高度依赖高能耗的数模/模数转换器（DAC/ADC），且光传输的线性特征使得非线性激活函数的实现极其复杂，极大地限制了光计算在实际AI推理场景中的优势与应用。

针对上述难题，研究团队创新性地提出了一种由逻辑驱动的光学计算新范式，如图1所示。该方案通过波长与空间维度的联合编码产生逻辑最小项，从而构建以光学可编程逻辑阵列，并以此为基本逻辑单元，构建光学逻辑卷积神经网络。相比于传统的模拟光计算，该架构具有以下三大核心优势：1）低功耗：由于采用逻辑判断机制，系统仅需单比特ADC（比较器），大幅降低了光电转换环节的功效损耗；2）原生非线性：利用逻辑运算固有的非线性特征，无需额外的非线性元件即可实现神经网络所需的激活功能。3）高鲁棒性：直接处理二进制数字信号，对各种环境噪声和扰动表现出极强的容忍度。

在实验验证方面，研究团队首先在薄膜铌酸锂（LNOI）平台上实现了速率高达20 Gbit/s的高速逻辑计算，并演示了基于一维逻辑卷积的图案生成。随后，团队在绝缘体硅（SOI）平台上构建了2×2光逻辑卷积算子，完成了多种图像边缘特征提取任务。在此基础上，研究团队进一步通过规模扩展构建了3×3光逻辑卷积神经网络，在MNIST手写数字四分类任务中取得了95.1%的平均测试准确率。该系列实验充分证明了光逻辑卷积架构在处理复杂人工智能任务时的卓越性能与高度可靠性。

该研究通过在底层架构上将光逻辑运算与神经网络进行深度解耦与融合，为光子计算从“模拟”向“逻辑驱动”的演进提供了一条切实可行的路径。这一方案不仅在物理层面上有效缓解了光计算对高精度数模/模数转换器的依赖，也利用逻辑运算的原生非线性特性，巧妙规避了传统模拟光计算中非线性激活实现的复杂性。相关实验实现了从基础算子到系统级推理的完整验证，证实了光逻辑卷积范式的可行性，为构建下一代高性能集成光子计算硬件开辟了新方向。

该研究工作得到了国家重点研发计划和国家自然科学基金项目的资助。华中科技大学博士生张文凯为论文第一作者，周海龙副教授、董建绩教授为共同通讯作者。

论文链接：https://www.science.org/doi/abs/10.1126/sciadv.aea9278