光子计算落地里程碑：实验级OSS芯片实现MNIST高效分类，登顶《Nature》子刊

研究背景

  随着物联网（IoE）的快速发展，数据量呈爆发式增长，对处理速度和能耗提出了更高要求。传统冯·诺依曼计算机因数据瓶颈和能耗限制，难以满足需求。受生物启发的计算方式因其并行处理能力和适应性，成为解决数据挑战的潜在途径。光子集成电路凭借并行处理、低功耗、大规模集成和低延迟等优势，成为实现神经网络的有力硬件平台。然而，光子平台的可扩展性限制了单次传递中可以执行的总矩阵-向量乘法（MVM）数量，增加了系统的总执行时间和能耗。

核心技术

本文提出了一种基于光频谱切片技术（Optical Spectrum Slicing, OSS）的光子神经形态加速器（OSS-CNN） 

1.光域模拟卷积引擎

OSS节点设计：将可重构硅光子芯片（如SmartLight）中的微环谐振器（MRR）配置为被动光滤波器节点，通过调节中心频率和带宽，直接在光域实现连续值卷积核操作，替代传统数字卷积层。 

特征提取机制：每个OSS节点通过频谱切片提取输入光信号的不同时空特征，利用光脉冲响应的多样性（如式1-2）完成非线性变换与池化，无需复杂数字计算。 

2. 硬件友好型架构

低复杂度后端：仅需简单全连接层（FCL）对光处理后的压缩特征进行分类，显著减少数字计算量（实验显示GPU运算量降低92%）。 

单次处理与高压缩比：通过时间复用编码和光域平均池化，单次通过光子芯片即可完成任意尺寸卷积操作，支持输入数据的维度压缩（压缩比CR可调）。 

3. 可重构光子集成平台

SmartLight芯片实现：利用可编程光子网格（Hexagonal拓扑）动态配置OSS节点，支持中心频率与带宽的灵活调节（如图2），克服固定滤波器带宽限制。 

实验验证结果： 

高精度：在MNIST数据集上达到97.7%分类准确率（3节点），优于现有光子CNN方案（如文献14-15）。 

高能效：相比同规模数字CNN（单层GPU），总功耗降低30%（实验系统功耗36.6Wvs. 数字系统50W）。 

4. 端到端优化

光-电协同设计：光前端（OSS节点+光电检测）与数字后端（轻量FCL）联合优化，通过超参数搜索（如Optuna框架）平衡带宽、节点数、压缩比与功耗。 

抗噪能力：在存在光子芯片损耗（如12dB插入损耗）和放大器噪声（EDFA）的情况下，仍保持高鲁棒性，实验精度仅比理想仿真低1.3%。

OSS-CNN架构的示意图

在可重构光子网格中，将每个光频谱切片（OSS）节点实现为一阶微环谐振器（MRR）

光频谱切片卷积神经网络（OSS-CNN）的分类准确率随压缩比（CR）及所采用OSS节点数量的变化关系

调制MNIST图像的频谱与光频谱切片（OSS）节点响应

基于SmartLight实现的5节点光频谱切片卷积神经网络（OSS-CNN）分类准确率随平均输入功率的变化关系（采用4×4图像分块和10 GS/s像素速率）

光频谱切片卷积神经网络（OSS-CNN）的实验装置

实验性光频谱切片卷积神经网络（OSS-CNN）的精度随节点数量的变化关系

光频谱切片卷积神经网络（OSS-CNNs）实验性与理想化模型的性能对比

原文链接：https://doi.org/10.1038/s44172-025-00416-3

【注】：小编水平有限，若有误，请联系修改；若侵权，请联系删除！