随着人工智能与组合优化在科学研究与工业应用中的广泛普及,计算需求呈爆炸式增长。然而,传统数字计算模式面临着日益严峻的能耗和时延挑战,限制了其在大规模复杂算法上的扩展。模拟光学计算机(Analog Optical Computer,简称AOC)作为一种融合光学与模拟电子技术的非传统计算平台,为解决这一瓶颈提供了具有里程碑意义的突破。通过在同一硬件平台同时支持AI推理与组合优化,AOC展现了其卓越的计算效率和适应性,成为推动可持续计算发展的关键力量。AOC的核心优势体现在其固有的固定点搜索抽象上,这一机制避免了昂贵的数字模拟转换,提高了系统对模拟噪声的鲁棒性。硬件结构巧妙结合了16个微型发光二极管(microLED)阵列、可调节的空间光调制器(SLM)以及光电探测器阵列,在每轮20纳秒的迭代中实现光学域的矩阵向量乘法与模拟电子域的非线性运算、加减法及退火处理。
利用三维光学系统的高效光聚散能力,AOC在矩阵乘法规模和速度上远超传统二维光学架构。同时,AOC利用模拟电子技术完成非线性变换以替代数字运算,彻底消除能耗高昂的光电转换环节,显著提升计算能效。模拟光学计算机通过固定点迭代不断引导系统状态向稳定解靠近,天然抵御硬件端的模拟噪声,保障计算的准确性与稳定性。在AI推理方面,AOC特别适合运行当前兴起的神经平衡模型(例如深度平衡网络),这些模型基于找到隐藏状态的固定点,支持递归推理和动态调整推理深度,展现了比传统深度神经网络更强的泛化与推理能力。结合数字训练方法和硬件级推理部署,AOC可实现手写数字识别(MNIST)和时尚图案分类(Fashion-MNIST)、非线性回归等多种任务,且在多个模型尺寸下表现出与数字模拟极为接近的推理精度。为应付超出硬件规模限制的大型模型,AOC采用时间复用技术,将多个小型模型组合成4,096权重的集成方案,在时延线性增长的同时保持性能优势。
除了AI领域,AOC在组合优化领域表现同样突出。采用灵活表达二进制与连续变量共存的混合无约束二次优化(QUMO)模型,AOC能够映射实际工业问题,诸如医疗影像重建与金融交易结算。以磁共振成像(MRI)中基于稀疏表示的压缩感知为例,AOC能直接求解包含复杂稀疏性的ℓ0范数正则化问题,提升图像重建质量。通过区块坐标下降方法,将大规模优化问题分解为可由AOC硬件处理的小规模子问题,系统在硬件上进行全模拟固定点迭代,取得了接近原始图像的高精度重建结果。金融交易结算问题作为NP难题,传统解法存在规模瓶颈,AOC通过高效处理包含二进制与连续松弛变量的QUMO表达,实现了多方交易批处理的最优或近似最优结算方案。与其他前沿技术如量子计算相比,AOC在解决同类小规模问题时证明了更高的成功率和稳定性。
全面性能评测表明,当前AOC硬件在16维度的QUMO和QUBO问题中,能在不足千次采样内达到或接近最优解,硬件迭代时长约30微秒。借助数字孪生模型(AOC-DT),模拟平台验证了针对行业标准QPLIB中复杂优化实例的加速效果,实际运行时间比商业数学优化器Gurobi快数千倍,且在部分实例中发现了更优解。展望未来,AOC具备从数百百万甚至十亿级权重规模扩展的潜力,通过模块化架构实现大规模矩阵分块和三维光学集成电路的小型化。单一模块可容纳数百万权重,集成多模块构建成3D网状拓扑,兼顾高并行计算与灵活扩展性。使用非相干光源如微型LED,减轻了光路匹配精度的制造难度,为工业化量产铺平道路。速度方面,AOC硬件光电组件带宽可达数GHz,预计100百万权重系统功耗约800瓦,计算速率可达400拍OPS,能效高达500TOPS/W,远超当前主流GPU的4.5TOPS/W水平。
软件与算法协同设计是AOC成功的关键。研制团队通过数字孪生精准模拟硬件非理想性,支持端到端的神经网络与优化模型训练,保证权重量化至9位整数后在硬件上的无缝迁移和应用。迭代时,内置退火和动量机制赋予固定点迭代以强劲的全局搜索能力,避免陷入局部最优,提升收敛速度与稳定性。模拟光学计算机的到来标志着计算架构的范式变革。它突破了冯·诺依曼瓶颈,将计算与存储高度融合,利用光学并行优势与模拟硬件低能耗特性,为AI和优化领域带来理论与应用双重革新。随着技术日趋成熟,模拟光学计算机预示着未来绿色、高效、可扩展计算体系的蓝图,将助力人工智能更快更稳地迈向智能社会的各个角落。
。
