把可编程光子神经网络“写”进玻璃内部，听起来似乎颇具科幻色彩？但科学家近期的一项研究表明，这条技术路线不仅已经被验证可行，而且随着系统规模扩大，其优势还会愈发突出。
近日，华中科技大学张新亮教授、董建绩教授与上海交通大学唐豪教授团队联合提出了一种可编程光子计算新范式。他们研发了全新架构 LAMP（Lantern-shaped Adaptive Multilayer Photonic network），中文可译为灯笼形自适应多层光子网络。
研究团队通过飞秒激光在玻璃内部刻写三维光子神经网络芯片，首次实现了单芯片上的可编程三维光计算，并可直接完成二维图像处理。
研究人员制备了一款基于 LAMP 的八层 64 通道（8×8 阵列）演示芯片，并在芯片中集成了 74 个微加热器，其作用类似于可编程控制“开关”，能够实时调节光的传播路径。
值得注意的是，这款光子芯片在多项任务中展现出优异性能。例如，在手写数字识别 MNIST 分类任务中，训练准确率达到 93%、测试准确率达到 91.7%；在光学图案生成任务中实现了 94% 的保真度；理论计算吞吐量则达到 6,554 TOPS（每秒万亿次操作）。
曹子榆是华中科技大学博士生，师从张新亮教授和董建绩教授，主要研究方向为集成光学。她对 DeepTech 表示：“LAMP 并不是只能完成单一功能的静态光学器件，而是一个可通过训练实现重构的三维光学计算平台。更重要的是，它打通了从二维输入、三维计算、可编程调控，到二维输出的完整链路。”
这项技术有望应用于 AI 推理芯片和 AI 推理硬件，尤其适合光电混合系统中那些计算密集、线性计算占比较高的模块。据研究团队预计，短期内他们或将优先从专用推理任务切入，探索其在图像识别、模式生成、光场处理以及传感阵列分析等方向的实际应用价值。
光子芯片为何困在二维平面？
事实上，利用飞秒激光直写在透明材料内部加工波导，已经积累了较长时间的技术基础。这项研究最初源于团队成员对一个关键问题的思考：既然该技术天然具备进入材料内部、构建三维结构的能力，为什么许多设计最终仍回到二维平面光子芯片的传统思路？
2024 年，康奈尔大学 Peter McMahon 教授在发表于 Nature Reviews Physics 的综述论文“The physics of optical computing”中 [2]，系统讨论了光用于计算时可利用的多种物理特性与发展可能性。
“读完这篇论文后我很受启发，也意识到高速只是光计算的优势之一，更关键的是，光还拥有许多可被调用的物理自由度。但在芯片级光计算领域，三维空间维度的潜力仍未被充分开发。”曹子榆表示。
她进一步想到，真实神经系统的连接方式本身也不是二维平面的，因此，神经网络硬件的物理形态或许同样可以突破平面限制，向三维结构探索。
真正推动这一想法落地的，是她在 Optica 上看到的一篇关于三维打印静态光学计算结构的论文。那项研究让她意识到，三维加工能力已经足以承载计算结构。于是，一个更进一步的问题随之出现：如果静态三维光路能够执行计算，那么下一步能否实现可编程、可训练的三维光子神经网络？
因此，LAMP 的意义不只是让光子芯片从二维走向三维，更是在回答一个更底层的问题：光在空间中的传播、耦合与重构，是否能够被系统性地转化为可扩展、可训练、可制造的计算能力。
一块玻璃，如何变成 AI 芯片？
如果设计始终局限于二维平面，那么三维加工能力就无法被充分释放；而玻璃的最大优势，恰恰在于可以在体积空间内灵活组织光路。
从本质上看，LAMP 是将三维空间从“加工自由度”进一步转化为“计算自由度”：在芯片尺度内，让光在体积空间中完成传播、耦合与调控，进而构建可编程的光计算网络。
（来源：Nature Communications）
之所以能够在保持芯片级集成的前提下，把三维空间自由度引入光子计算，主要经历了以下三个研究阶段。
在架构设计阶段，团队采用二维阵列进行输入和输出，而中间多层级联的三维光子灯笼结构，则为不同通道之间的光场耦合与混合提供了关键支撑。
在三维波导加工阶段，研究人员依托高精度三维位移控制，使激光焦点能够沿预设轨迹在玻璃体内移动。焦点经过的位置会形成可导光波导；再通过调整写入深度，就能在不同 z 位置刻写多层波导，最终构建出完整的三维光路。
（来源：Nature Communications）
最后是可编程调控阶段。与三维波导相对应的是固定的光学变换，因此还必须在芯片上制备相移器阵列，用于训练和调整传输响应。对于可训练网络而言，三维灯笼结构和相移器的“强强联合”缺一不可：前者提供光场混合能力，后者提供可编程自由度。在相同芯片面积下，平面方案的有效通道数为 N，而 LAMP 可扩展到 N×M（注：M 代表层数或额外空间维度带来的扩展因子）。
受益于对真实芯片相位配置的优化，同一块芯片可以通过训练完成不同任务。实验结果显示，MNIST 分类任务准确率达到 93%，图案生成保真度达到 94%，验证了这套训练与调控流程在三维光子芯片上的真实有效性。
从计算核心的规模化潜力来看，这项研究未来仍具备较大拓展空间。在当前工作中，团队使用了 64 个通道，理论计算吞吐量达到 6,554 TOPS。未来，随着通道数和级联层数进一步提升，三维空间带来的并行组织能力有望持续释放，推动高性能光计算芯片发展。
回忆这项研究的过程，曹子榆说，这段经历有些像坐过山车，既充满兴奋，也伴随着挑战。“最让我兴奋的是 LAMP 想法刚出现的时候。那段时间我每天都在想这件事，晚上睡觉时也在反复琢磨细节。做这件事情并不容易，经验不足、资源有限，也没有现成路线可以直接照搬，但好在最后一步步克服了相关困难。”
图丨相关论文（来源：Nature Communications）
近日，相关论文以《可编程三维光子神经网络芯片》（Programmable Three-dimensional Photonic Neural Network Chip）为题发表在 Nature Communications[1]。华中科技大学博士生曹子榆和上海交通大学硕士生杜玒璟为共同第一作者，华中科技大学张新亮教授、董建绩教授以及上海交通大学唐豪教授、徐晓芸助理研究员担任共同通讯作者。
审稿人对该研究评价称：“这项工作将三维空间作为计算资源，为光学处理器开辟了一条全新路径，能够更好匹配视觉信息的天然维度，以及光传播中丰富的物理特性。它的意义不仅在于把光子芯片从二维扩展到三维，更在于把内部空间转化为用于光学路由、耦合和空间混叠的计算自由度。”
下一代千通道芯片已启动验证
当前，晶体管微缩和传统互连正变得越来越困难，因此未来 AI 硬件性能的提升，未必只依赖晶体管本身的持续演进。一部分更适合由光完成的互联与线性计算，未来有可能被部署在更靠近数据、互连与封装的位置。LAMP 提供了一种值得关注的早期技术原型：当玻璃从被动基板转变为可设计的三维光学空间后，它有望从系统互连平台进一步延伸出部分计算能力。
据了解，产业界已有企业在布局与 LAMP 类似的技术方向。例如，光计算公司光本位科技正在尝试以玻璃替代硅作为衬底，研发玻璃光计算芯片，并在结构、材料和制造工艺上持续寻求突破，其终极目标是将玻璃光计算芯片直接封装为超高性能全光计算系统。
“从技术路线来看，光本位与我们有所不同：他们更聚焦于单层玻璃芯片堆叠的方式；而我们则是基于飞秒激光直写技术，利用三维玻璃光路重构 AI 系统中的互连与计算。这些探索共同说明，玻璃平台的价值正在从封装和承载，逐步延伸到光互连，乃至光计算本身。”
据研究团队介绍，目前他们正在推进下一代千通道芯片的加工验证，并与国内多家玻璃基封装和光电集成企业探索合作可能，进一步推动原型芯片进入真实 AI 系统应用场景。
参考资料：
1.Cao, Z., Du, HJ., Yuan, XJ. et al. Programmable Three-dimensional Photonic Neural Network Chip. Nat Commun (2026). https://doi.org/10.1038/s41467-026-72316-9
2.McMahon, P.L. The physics of optical computing. Nat Rev Phys 5, 717–734 (2024). https://doi.org/10.1038/s42254-023-00645-5
