随着人工智能(AI)和组合优化技术在科学研究与工业应用中日益普及,计算需求也随之大幅提升。传统数字计算机面临着能耗高、速度受限等瓶颈,尤其在处理复杂AI推理和大型优化问题时,耗费大量能源与时间。类比光学计算机(AOC)的出现,为突破这一瓶颈提供了全新思路。该技术通过利用光学的天然并行和模拟电子技术的非线性处理,实现了高速、低功耗的计算架构,兼容AI推理与组合优化任务,展现出引领未来计算革新的潜力。类比与数字计算的本质差异在于前者依赖连续信号处理,而非离散的0与1。光学系统凭借高带宽和并行特性,特别适合矩阵运算等核心机器学习计算。
AOC设计将三维光学与模拟电子反馈循环结合,绕过传统数字转换步骤,极大减少能耗和延迟。它采用快速的固定点搜索方法,在每次约20纳秒的反馈迭代中以光学实现矩阵-向量乘法,以模拟电子完成非线性变换、加减法及退火过程。固定点抽象这一算法核心,促进了AOC对计算模型的无缝支持,并强化模拟信号中固有噪声的抑制能力。该系统能够加速新兴神经网络模型,例如深度平衡网络(Deep Equilibrium Networks),这些模型因其自递归性质兼具强大推理性能和动态推理深度,却在数字芯片上计算量巨大。利用AOC结构,推理过程在硬件中迭代寻找稳定状态,显著节省时间与功率。同时,AOC支持广义的二次不受限混合优化(QUMO)问题,涵盖含有二元及连续变量的组合优化,极大提升了问题表达的灵活性与实用性。
现实应用层面,AOC担当了多个重要示范任务的主角。机器学习方面,搭载256个权重的小规模AOC实现了MNIST及Fashion-MNIST图像分类及非线性回归的高效推理,结果与数字模型仿真高度一致。借助时间多路复用技术,4,096权重大模型也成功运行。目前,非线性回归任务因其连续输出对模拟噪声较敏感,采用重复采样与平均提升精度,充分展示模拟计算在实际场景的适应力。组合优化中,AOC灵活映射医疗图像重建及金融交易结算等工业难题,算法基于QUMO框架。比如在医疗领域,AOC可实现压缩感知复原,解决传统方法难以处理的ℓ0范数稀疏性优化问题。
使用AOC求解的Shepp-Logan幻影图像及临床脑部扫描实例均显著优于单纯数据保真度最小化效果。交易结算场景则涉及数十变量的二进制和连续项,经过分块坐标下降法分解并在AOC硬件上迭代优化,最终获得全局最优或近优解。与量子硬件相比,AOC在这些实例中展现较高的成功率与稳定性。在标准合成及真实世界的二次规划库(QPLIB)硬核测试中,数字孪生模拟的AOC-DT超过现有商业求解器在求解速度及解的质量上的表现,部分实例实现了创纪录的优化结果。针对未来的规模化发展,AOC设计具备高度可扩展性。模块化架构模式将整体权重矩阵拆解为子矩阵子向量的组合操作。
每个模块配备微LED光源阵列、空间光调制器和光探测器阵列,结合集成的3D光学与模拟电子,充分发挥三维光路空间优势,突破平面芯片面积及光路匹配限制。预期可支持10亿级权重规模,满足典型超高分辨率医学图像及大型深度学习模型需求。微LED作为低相干光源,相比激光等相干体系,具备制造灵活性和系统宽带内光路匹配容忍度,有助于实现硬件产业化。能效方面,单个1000万个权重矩阵运行的AOC模块预计功耗仅为数百瓦,性能高达500 TOPS/W,能效超过当下图形处理单元(GPU)百倍以上。除推理能力外,AOC交织的硬件算法共设计方法,确保了物理特性与计算模型的协调适配。通过精密建模的数字孪生环境,训练迭代模型并无缝搬运至模拟硬件上,最大限度减少校准与误差,兼具鲁棒性与可重复性。
当前实现还集成优化的非线性函数实现与参数动态调整技术,支持模型和算法的灵活配置。总体而言,AOC的设计理念展示了新一代高效计算设备的方向。它不仅克服了传统数字架构中数据搬运和数字模拟转换带来的瓶颈,还能应对当代复杂AI推理与现实约束优化的多样性挑战。未来伴随光学和模拟电子技术的产业链完善,AOC有望在医疗影像、金融分析、交通优化、自动驾驶等领域发挥重要作用,推动智能应用朝向绿色低碳与高速智能并行的方向发展。随着人工智能应用规模持续扩大,全新计算范式的探索至关重要。类比光学计算机作为融合光电子与模拟电路的硬件创新,为智能计算和优化问题求解带来突破口,加速实现覆盖工业实际应用的革命性变革,开创未来可持续智慧计算时代。
。
