随着人工智能技术的飞速发展及其在各行各业的广泛应用,计算需求呈指数级上升,这给现有数字计算硬件的能效和性能带来了极大挑战。传统数字计算体系中,随着模型规模和复杂度的增加,能耗与延迟问题日益突出,制约了AI模型的进一步大规模应用。与此同时,组合优化问题作为人工智能和运营研究中的核心难题,也亟需高效的计算平台以实现快速求解。近年来,模拟光学计算机(Analog Optical Computer,简称AOC)作为一种创新性的计算体系,结合模拟电子学与三维光学技术,以超低功耗和极高运算速率,开辟了AI推理与组合优化的新天地。 模拟光学计算机的核心优势在于其完全模拟的反馈循环设计,利用光学实现矩阵-向量乘法,辅以模拟电子非线性运算,实现基于固定点搜索的迭代计算。该设计摒弃了频繁且能耗巨大的数字-模拟转换,充分利用光学的并行性和模拟电子的灵活性,提供高速且具鲁棒性的计算体验。
通过固定点抽象模型,AOC不仅能兼顾AI推理的迭代特性,也能高效处理混合变量的组合优化问题,成为兼容双重工作负载的通用平台。 从硬件架构上看,AOC巧妙结合了微型LED阵列作为光源,空间光调制器(SLM)作为权重矩阵的载体,以及光电探测器阵列将光学计算结果转换为模拟电压信号。光源发出的光经过空间光调制器的像素级调制,完成矩阵与状态向量的乘积操作,并由光电探测器汇集光信号,以模拟电流形式传递至电子子系统,完成非线性变换、状态更新及退火等操作。整个过程中,模拟信号不断在光与电两个领域转换,形成动态反馈闭环,直到达到稳定的固定点,代表计算结果。 这种3D光学设计利用光的立体传播特性,实现了高效的光线扇入和扇出,有别于传统平面光学架构的空间受限,具备更强的可扩展性和并行计算能力。同时,微型LED光源采用非相干光,路径匹配要求宽松,极大增强了硬件制造的可行性与可靠性。
搭配成熟的民用级光学与电子组件,AOC具有产业化和规模化生产的坚实基础。 在机器学习方面,AOC支持基于固定点迭代的神经平衡模型(equilibrium models),这些模型以迭代达到稳态为特征,能够进行递归推理、动态计算深度和出色的泛化能力。经典的Hopfield神经网络以及现代深度平衡网络等,都属于此类。AOC直接硬件支持这类计算模型,将大量计算负荷转移至高效的光电子模拟域,大幅提升推理性能并降低能耗。通过设计数字孪生(digital twin)进行训练与调优,确保软件模型与硬件的高度对应,实现了无缝导出和推理部署。 面向图像分类任务,例如MNIST和Fashion-MNIST,AOC硬件能够在不到200纳秒内迭代达到固定点,且推理精度接近数字模拟孪生模拟结果,表明其计算稳定且符号误差极小。
此外,AOC在非线性回归任务中亦表现出优秀的数值拟合能力,例如准确拟合高斯和正弦函数曲线,显示其处理连续值问题的潜力。针对算力不足的现实情境,AOC采用时间复用技术,将多个小模型集成为四千多权重的模型,展现了兼顾模型规模与硬件资源的灵活策略。 模拟光学计算机在组合优化领域同样展现出强劲性能。其基于混合二进制与连续变量的二次无约束混合优化(QUMO)模型,将传统二进制无约束二次优化(QUBO)问题泛化,更具表达能力,能够自然编码实际中的约束条件,大幅降低映射难度和变量数量需求。基于固定点迭代和模拟硬件的天然噪声抗扰特性,AOC能高效解决复杂非凸优化问题。 在医学图像重建方面,AOC通过实现压缩感知的ℓ0范数最小化,有效提升欠采样磁共振成像(MRI)的重建质量,显著降低扫描时间,提升医疗体验。
通过块坐标下降法分解大规模问题,AOC硬件成功重建了Shepp-Logan幻影切片和真实脑部MRI图像,实现了与商业数字求解器竞争甚至领先的结果,验证了其解决实际工业问题的能力。 金融领域的交易结算优化问题,是另一典型组合优化应用。AOC以QUMO实例高效求解涉及数十变量和复杂约束的交易批处理,高成功率超越部分量子计算硬件表现。此类场景对于大规模、高实时性要求极高的金融系统,提供了低功耗、高速且精确的解决方案路径。 从技术角度,AOC的固定点迭代方程包含包括状态退火、非线性激活及动量项,支撑基于深度学习与优化的多样模型。使用硬件级非线性电路实现双曲正切函数(tanh),保证了模型的非线性表达能力;而模拟电子部件的高带宽和低时延赋予了系统纳秒级运算能力,远超传统数字计算平台。
展望未来,AOC硬件的可扩展性是其核心优势。利用集成3D光学模块化设计,可支持从百万至数十亿权重的神经网络计算,满足医学影像、高性能计算和金融模型等工业级应用需求。模块尺寸预估数厘米级,与成熟制造工艺兼容,有望以商业化量产降低成本。结合低至2飞焦耳每次运算的能耗,较现有GPU实现约百倍效率提升,有望成为面向绿色可持续计算的关键技术。 此外,AOC的协同设计理念,即硬件与算法同步优化,带来了创新空间。未来可在非线性函数拓展、更高分辨率调制技术、噪声补偿机制等方面实现迭代进步,进一步推动多领域应用落地。
联合数字孪生技术,也为软硬件协同调试和模型训练提供新范式。 总结来看,模拟光学计算机作为融合模拟电子学与三维光学的创新计算平台,以其高能效、宽适用性和极强的迭代计算能力,为人工智能推理和组合优化困难问题提供了革新思路。其支持包括深度平衡网络和混合变量二次优化等先进模型,已在手写数字分类、非线性回归、医学影像重建与金融交易结算等多领域展现出优异性能。未来,随着硬件可扩展性增强和制造工艺成熟,模拟光学计算机有望引领人工智能与优化计算迈入可持续高速发展的新时代,推动整个计算产业转型升级。 。
