在信息时代,人工智能和优化算法驱动着科学研究和工业生产的变革。然而,伴随AI模型日渐庞大的规模和算法复杂度,数字计算所消耗的能量和时间成本也显著上升,限制了计算能力的进一步扩展。为此,科学家们开始寻求突破传统范式的新型计算架构,其中模拟光学计算机(Analog Optical Computer,简称AOC)应运而生,成为高效、低能耗的解决方案。模拟光学计算机创新性地融合了模拟电子技术与三维光学系统,利用光与电的协同作用,实现了AI推理与组合优化的统一加速平台,为计算机科学开辟了一条可持续发展的新路径。 模拟光学计算机的核心优势在于其双域计算结构,通过无数次快速的固定位点搜索迭代,避免了传统数字计算中的频繁模数转换,从而极大提升了运算效率和抗噪能力。每次迭代仅需约20纳秒,光学部分负责高并行度的矩阵-向量乘法,模拟电子部分承担非线性变换及信号处理,实现紧耦合的高速反馈循环,最终在模拟状态下完成复杂的计算任务。
硬件方面,AOC主要由四部分组成:微型LED光源阵列、空间光调制器(SLM)、光电探测器阵列与模拟电子模块。微型LED代表神经网络的激活状态或优化变量,利用其发光强度编码输入信号。SLM充当权重存储装置,将光信号经过加权调制后传递至光电探测器。探测器则将光信号转换为电信号,模拟电子模块完成非线性映射、加减运算及退火过程,关闭环路实现状态迭代。相比传统的平面光学架构,AOC采用三维光学设计,利用球面与柱面透镜高效实现光的扇出扇入,显著提升了矩阵乘法的并行度和可扩展性。 在人工智能推理方面,AOC支持迭代特性明显的动态神经平衡模型,如深度平衡网络。
这类模型通过固定点迭代寻求收敛状态,具备递归推理能力,能够自适应调整计算深度,远超传统固定层深的前馈模型。研究表明,使用AOC实现的平衡模型在图像分类(包括MNIST与Fashion-MNIST数据集)及非线性回归任务中表现出色,且其模拟数字孪生版本(AOC-DT)与真实硬件结果高度一致。AOC硬件凭借强大的迭代能力和固定位点吸引特性,有效抵御了模拟计算中的噪声干扰,保证了计算稳定性和精度。 组合优化方面,AOC基于二次无约束混合优化(QUMO)框架,灵活表达了包含二进制与连续变量的复杂问题。QUMO不仅涵盖经典的二次无约束二进制优化(QUBO),更因其高表达能力广泛适用于现实工业难题。AOC成功应用于医疗图像重构,特别是基于压缩感知的MRI重建问题。
通过模拟原始的稀疏性计数ℓ0范数,AOC硬件实现了对传统ℓ1范数方法的超越,带来了更精确的图像还原效果。此外,针对金融领域的交易结算问题,AOC以全模拟方式高效求解,在一定规模下获得了全局最优解,其解决方案优于当前部分量子计算设备的表现。 AOC的可扩展性是其未来发展的重要保障。当前硬件支持多达4096权重的模型,通过时间复用技术实现更大模型的推理,同时规划通过模块化架构及二维微型光学器件向亿级权重规模迈进。每个模块集成微型LED阵列、SLM及探测器阵列,预计体积微型化到仅数厘米级,为庞大权重矩阵的三维组合与计算提供基础。与现有数字加速器相比,AOC的功耗效率预计可达每瓦500万亿次操作性能,是顶级GPU的百倍以上,极大推动了绿色计算的发展基石。
从算法层面出发,AOC协同设计的固定点抽象统一了机器学习推理与组合优化流程,免除了传统计算瓶颈与噪声敏感性,提升了算法鲁棒性和灵活性。模拟电子与光学环节的高度集成,从根本上破解了冯·诺依曼架构中存储与计算分离带来的数据移动瓶颈,显著降低延迟,提高计算带宽。在未来,随着3D光学系统制造工艺的突破及集成电路技术进步,AOC有望成为AI训练与推理、复杂优化等领域的主力加速平台。 尽管AOC展现出强劲的潜力,实际应用仍面临诸如器件小型化、高精度光电转换、动态非线性响应优化等挑战。与此同时,扩展规模后的热管理和系统集成也需要攻克。研究团队通过开发高保真数字孪生模型,能够在软件环境中精准模拟硬件表现,极大促进了算法与硬件的联合优化,缩短研发周期,提升系统的效率和稳定性。
总的来说,模拟光学计算机凭借其独特的模拟-光电混合结构,打破传统计算桎梏,实现AI推理和组合优化的跨界融合。其快速迭代固定点搜索、无模数转换操作及多域协同计算为高能效高性能计算树立了新标准。未来,随着技术成熟及应用案例的不断增加,AOC有望引领人工智能与优化计算的绿色革新浪潮,成为推动数字经济与智能社会进步的重要引擎。 。
