Whoscored(中国·中文)官网-专注足球数据分析的专业平台

本研究的突破在于引入数字模拟混合方法，这种方法从根本上改变了光神经网络处理信息的方式。混合光处理器（HOP）保持权重的模拟格式，同时将输入数据表示为数字二进制字，创建了一个结合数字精度和光处理速度优势的系统。

图2：基于微环调制器（MRM）的混合数字模拟光子MVM核心实现，显示数字输入如何通过波分复用处理，而权重通过基于微加热器的调制偏置控制。

关键创新在于系统编码信息的方式。模拟光计算仅依靠信号幅度进行信息编码，而HOP同时利用幅度和时间域。这种扩展的编码空间在编码信号样本之间创建更大的欧几里得距离，从而获得优异的噪声性能和更高的数值精度。输入数据的数字二进制表示消除了对输入高分辨率数模转换器的需求，显著降低系统复杂性和功耗。

研究人员制造了一个概念验证硅光子芯片，包含级联微环调制器来验证其方法。实验装置采用多波长光频梳，包含9个波长，间距为80 GHz，支持多个数据流的并行处理。

图3：仿真设置和结果，比较模拟和混合光计算方案，展示HOP方法在使用Prewitt边缘检测算子处理Chelsea图像时实现的优异噪声容忍度和精度。

仿真结果显示混合方法取得的性能提升令人瞩目。在25 dB信噪比下，均方根误差从模拟计算方案的2.4×10⁻²显著降低到HOP方案的1.2×10⁻³，精度提升近二十倍。当检查处理后的图像时，这种增强变得明显可见，模拟方案产生明显的斑点噪声伪影，而HOP方案保持清洁、高质量的边缘检测结果。

两种方法噪声特性的根本差异为各自能力提供了重要见解。模拟计算方案表现出高斯噪声分布，标准差为0.027，基于99.7%置信区间对应约3.6位的数值精度。相比之下，HOP方案在相同信噪比下实现2.5×10⁻⁴的像素错误率，通过引入逻辑电平和决策过程实现8位的有效数值精度。

研究人员通过三个不同的实验任务验证了其方法，展示HOP架构的实际适用性。高清图像处理任务实现了出色的16位精度，在18.2 dB信噪比下像素错误率为1.8×10⁻³，同时保持7.5 Gb/s的输入处理数据率。

图4：实验装置详图，包括用于高速光神经网络计算的精密测量设备和信号处理流水线。

图5：高清图像处理任务结果，展示HOP系统在DTU校园图像上应用各种边缘检测算子时的16位精度处理能力，具有卓越的保真度和最小的噪声伪影。

使用MNIST数据库的手写数字识别任务展示了与桌面计算机计算相比的完美准确度匹配，在10,000个处理图像中平均均方根误差为5.4×10⁻³，总体像素错误率为2.7×10⁻³。这一性能验证了HOP处理作为光神经网络实现行业基准的推理任务的能力。

也许最显著的是，YOLO目标检测实验揭示了数值精度在现实世界神经网络应用中的重要性。在处理自动驾驶应用的汽车场景时，HOP方案在检测远距离车辆方面始终优于模拟方法，在信噪比大于15 dB时实现超过70%的置信度分数。这种能力直接转化为自动驾驶系统安全裕度的改善，其中远程物体的早期检测为制动和避撞机动提供更长的反应时间。

图6：YOLO目标检测任务结果，展示数值精度在现实世界YOLO目标检测应用中的重要性，显示HOP方案成功识别包括远距离车辆在内的所有车辆，而模拟方案特别是在中等信噪比下对远程目标检测失败。

数字模拟混合方法代表光神经网络设计的范式转变，解决根本限制的同时保持光子处理的固有优势。计算效率分析显示，对于大于47个元素的矩阵尺寸，HOP方案可以实现远超3 TOPS/W的性能水平，显著超越当前的微电子实现如Nvidia H100。

能效优势源于消除输入处理的高分辨率数模转换器，同时将模数转换器要求放宽几个位。转换器复杂性的降低直接转化为与现有微电子系统兼容性的改善和大规模神经网络实现可扩展性的增强。

混合方法还为原位训练应用开辟了新的可能性，因为当采用独立输入和权重加载器件实现时，权重刷新率可以大幅提高。这种能力可以在光神经网络中实现实时适应和学习，这是纯模拟方法难以实现的功能。

研究表明，HOP概念可以应用于超出所呈现微环调制器实现的各种光子矩阵向量乘法架构。基于马赫-曾德干涉仪的相干方案和基于衍射的光处理器都可以从数字模拟混合方法中受益，有望改变整个光神经网络计算领域。

光神经网络精度和可靠性的这一突破将光子计算定位为下一代人工智能应用中传统电子处理器的可行替代方案，承诺更快的处理速度、更低的能耗，以及满足现代AI系统日益增长的计算需求的优异可扩展性。