随着人工智能和组合优化在科学研究及工业生产中的广泛应用,数字计算的能源消耗逐渐成为制约技术发展的瓶颈。传统的数字计算架构虽然性能持续提升,但其背后的电力消耗和处理延迟问题日益突出,迫切需要新型计算范式的出现。模拟光学计算机(Analog Optical Computer, AOC)作为一种创新的混合计算平台,通过结合三维光学技术与模拟电子电路,实现了在不依赖数字转换的情况下,高效执行人工智能推理和复杂优化任务,为该领域带来了革命性的突破。 模拟光学计算机独特之处在于其采用了光学域与电子域的紧密反馈循环。在每一个迭代周期中,光学部分负责完成矩阵与向量的乘法运算,通过微型LED阵列发射光信号,利用空间光调制器(SLM)存储权重矩阵,并借助光电探测器阵列完成加权求和,极大提升了高维矩阵运算的并行度和速度。随后,模拟电子模块承担非线性映射、信号减法、退火及动量更新等复杂计算步骤,无需数字转换,避免了频繁的模数转换带来的能耗与时延负担。
该系统基于固定点搜索的计算抽象,将机器学习推理与组合优化统合于同一硬件平台之上,利用迭代收敛特性天然抵御模拟噪声,确保算法稳定性和解的准确性。对于人工智能推理而言,模拟光学计算机支持新兴的平衡神经网络模型,如深度平衡网络,它们以迭代的方式寻找网络隐藏状态的固定点,拥有动态计算深度和递归推理能力。这类模型不同于传统的前馈神经网络,更加灵活且计算密集,现有数字芯片难以高效胜任。而AOC正适配此类模型的计算模式,实现了高效、低能耗的推理加速。 在机器学习领域,模拟光学计算机已成功应用于图像分类和非线性回归等任务。通过数字孪生系统进行训练后,模型权重经9位定点量化编码并加载至硬件中的SLM,实现了对MNIST及Fashion-MNIST手写数字图像的准确分类,且分类结果与数字模拟高度一致。
针对回归问题,系统也展现了良好的拟合能力,能够通过迭代积分捕获复杂非线性函数,例如高斯曲线和正弦波,尽管因模拟噪声存在一定波动,但整体预测稳定可靠。更大规模的模型则通过时间复用策略加以支持,即将大模型拆分为多个独立小模型顺序执行,实现万级权重规模的推理任务,兼顾规模扩展与硬件限制。 组合优化方面,AOC采用了二次无约束混合优化(QUMO)问题的解决方案,涵盖二值及连续变量,极大提升优化问题的表达能力。QUMO相较于传统的QUBO(纯二值优化),在处理带有不等式约束的实际问题时更具灵活性,仅需极少的连续变量作为惩罚项,避免了编码爆炸。模拟光学计算机利用固定点迭代策略与模块化分块坐标下降算法,能够在无数字后处理的全模拟模式下,快速逼近组合优化的全局最优解。 医疗影像重建是AOC的重要应用之一。
通过将MRI图像压缩感知转化为64变量的QUMO实例,模拟光学计算机在丢失部分采样数据的情况下,依托ℓ0范数的稀疏性约束,完成了高质量图像的重建。相较于仅最小化数据保真项的简单方法,AOC所输出的图像误差显著降低,重建效果更为真实清晰。同时,借助数字孪生技术,系统已覆盖超过20万个变量的脑部图像重建问题,展现了良好的扩展性及实用价值。 金融领域的交易结算问题亦得到了有效解决。该问题涉及在多方间优化结算交易的数量与价值,具有强NP难度,传统求解方法难以高效应对。AOC将任务映射为41变量的QUMO实例,借助模拟硬件逐步逼近最优解,既保证方案的实用性,也兼顾法律及信用因素等现实约束。
测试表明,相较于量子计算器表现不足,AOC在小规模实例中实现了100%的成功率,展现出较高的稳定性和优越性。 为验证模拟光学计算机的通用性与性能,研究团队对多种合成QUMO及QUBO实例进行了广泛测试,涵盖16变量的高比特精度问题。硬件在少于一千次样本采集中,分别达到了95%以上和100%的目标函数近似率。并且,数字孪生仿真平台在最难的QPLIB基准套件中,以黑盒求解器身份,在几秒至数十秒时间尺度内取得了数百至数千变量规模问题的最优或超越最优解,较商业求解器Gurobi展现出三至四个数量级的加速优势。 从技术实现层面看,AOC融合了基于消费级成熟技术的微型LED光源阵列、空间光调制器及光电探测器,辅以高带宽模拟电子放大与非线性处理电路,为光学矩阵乘法与模拟非线性计算提供支撑。此三维光学体系通过球面及柱面透镜实现光的高效三维扇出与扇入,突破传统平面光学结构的尺寸与扩展限制。
模块尺寸预计可控制在数厘米规模,支持百万至千万级权重处理,未来可通过网格串联多模块实现百亿级权重计算,对应多领域复杂人工智能及优化任务需求。 能源效率是AOC技术的另一大亮点。系统基于2GHz以上的带宽组件,针对1亿权重规模进行功耗优化,预计整体功耗约为800瓦,换算成每瓦可执行高达500万亿次操作,远超现有高端GPU的4.5万亿次。此明显的性能-功耗比优势,使模拟光学计算机极具可持续发展的潜力,特别适用于能源敏感及云端大规模AI推理场景。 模拟光学计算机的出现,标志着计算硬件设计与应用算法的协同演进。通过固定点迭代算法抽象与硬件的深度结合,系统实现了对高复杂度、迭代密集型神经模型和优化问题的加速,弥补了传统数字与混合模拟体系的不足。
未来,随着集成光电技术的发展及三维光学组件的微型化,AOC有望迈入多亿权重级别,实现更广泛的落地应用。此外,模拟非线性模块多样化也为增强系统计算表达能力提供了可能。 综合来看,模拟光学计算机为人工智能推理和组合优化领域注入了全新活力。它不仅突破了数字计算架构在能效和延迟上的瓶颈,还提供了适合实际工业需求的灵活表达与高扩展性,成为未来可持续智能计算的重要方向。有望在医疗成像、金融科技、复杂系统优化等关键领域实现实际变革,推动智能制造与智能决策迈入更高效的新时代。 。
