在人工智能神经网络高速发展的背景下，大规模的矩阵运算与频繁的数据迭代给传统电子处理器带来了巨大压力。光电混合计算通过光学处理与电学处理的协同集成，展现出显著的计算性能，然而实际应用受限于训练与推理环节分离、离线权重更新等问题，造成信息熵劣化、计算精度下降，导致推理准确度低。

　　中国科学院半导体研究所李明研究员团队提出了一种基于相位像素阵列的可编程光学处理单元（OPU），并结合李雅普诺夫稳定性理论实现了对OPU的灵活编程。在此基础上，该团队构建了一种端到端闭环光电混合计算架构（ECA），通过硬件—算法协同设计，实现了训练与推理的全流程闭环优化，有效补偿了信息熵损失，打破了光计算中计算精度与准确度之间的强耦合关系。

　　该架构通过噪声自学习机制，实现了光学与电学参数联合优化与自适应计算精度补偿。实验结果表明，采用4-bit的OPU时，ECA在MNIST手写数字识别任务（计算机视觉领域的经典任务）上的推理准确率达到90.8%，接近8-bit传统计算架构（TCA）的理论极限（90.9%），这表明光计算系统在低硬件精度仍能实现高精度推理，为高性能计算架构的设计提供了新思路。

　　该OPU支持30.67 GBaud/s的运算速率，实现981.3 GOPS的计算能力与3.97 TOPS/mm2的计算密度。理论分析表明，该结构可进一步扩展至128×128规模，计算能力可达1,005 TOPS，计算密度为4.09 TOPS/mm2，能效可达37.81 fJ/MAC，显示出其在微波光Kaiyun子信号处理、光通信与神经形态人工智能等领域的应用潜力。

　　该研究得到了国Kaiyun家自然科学基金、北京市自然科学基金、中国博士后科学基金、中国科学院国际合作计划等项目的支持。

　　特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。

　　人工智能与多模态生物标志物融合：推动自身免疫性风湿病迈向精准医疗新时代 MDPI Rheumato

　　FDE Shantanu Tilak：运用人工智能实现协作学习的控制论指南

　　结合基于知识的算法及时序光学、雷达和热成像遥感数据的中国东北地区水稻识别