先说几个核心判断。清华大学电子工程系方璐教授课题组和自动化系戴琼海院士课题组联手，最近搞了个大事情——他们首创了全前向智能光计算训练架构，并成功研制出“太极-II”光训练芯片。简单来说，就是让光计算系统的大规模神经网络训练，变得又快又准。

这项成果以“光神经网络全前向训练”为题，于北京时间8月7日晚，在线发表在顶级期刊《自然》上。文章一上线，就引起了不小的关注。

清华大学电子系是这篇论文的第一单位，方璐教授和戴琼海教授是通讯作者，博士生薛智威和博士后周天贶是共同第一作者。此外，电子系博士生徐智昊、之江实验室的虞绍良博士也参与了这项工作。整个研究得到了国家科技部、国家自然科学基金委、北京信息科学与技术国家研究中心、清华大学-之江实验室联合研究中心的大力支持。

Nature审稿人给出的评价相当高，直言“本文中提出的想法非常新颖，此类光学神经网络（ONN）的训练过程是前所未有的。所提出的方法不仅有效，而且容易实现。因此，它有望成为训练光学神经网络和其他光学计算系统的广泛采用的工具。”

要知道，近年来智能光计算凭借高算力、低功耗的特性，已经逐步走上了算力发展的主舞台。此前问世的通用智能光计算芯片“太极”，首次将光计算从原理验证推向了大规模实验应用，拥有160 TOPS/W的系统级能效，表现相当惊艳。

但问题也随之而来：现有的光神经网络训练，严重依赖GPU进行离线建模，并且要求物理系统精准对齐。换句话说，训练过程还是离不开电计算的辅助，这无疑限制了光计算潜力的进一步释放。

那“太极-II”是怎么破解这个难题的？据论文第一作者、电子系博士生薛智威介绍，在“太极-II”架构下，梯度下降中的反向传播被巧妙地转化为了光学系统的前向传播。这样一来，光学神经网络的训练只需通过数据-误差两次前向传播就能完成。这两次前向传播天然具备对齐特性，能保障物理梯度的精确计算。最关键的是，由于不再需要反向传播，“太极-II”架构彻底摆脱了对电计算进行离线建模与训练的依赖。大规模神经网络的精准高效光训练，终于从梦想照进了现实。

性能表现：三个维度，全面开花

论文的研究结果表明，“太极-II”对不同光学系统都能进行有效训练，并在多个任务场景下展现出卓越的性能。

首先是大规模学习领域。它突破了计算精度与效率的矛盾，将数百万参数的光网络训练速度提升了1个数量级，代表性智能分类任务的准确率更是直接提升了40%。这可不是简单的算法优化，而是对整个训练范式的一次碘伏。

其次是复杂场景智能成像。在弱光环境下（每像素光强度仅为亚光子），它实现了能量效率高达5.40×10⁶ TOPS/W的全光处理，系统级能效提升了6个数量级。在非视域场景下，它实现了千赫兹帧率的智能成像，效率提升2个数量级。想想看，在几乎“伸手不见五指”的环境里，还能高效处理图像，这是多么惊人的能力。

最后是拓扑光子学领域。“太极-II”能在不依赖任何模型先验的情况下，自动搜索非厄米奇异点，为高效精准解析复杂拓扑系统提供了全新思路。

附论文链接：

https://www.nature.com/articles/s41586-024-07687-4