随着人工智能和组合优化技术在科学与工业领域的广泛应用,数字计算的能耗和延迟问题日益凸显,限制了其可持续发展。传统数字计算机在执行复杂模型时,面临存储和计算瓶颈,尤其是在频繁的数字与模拟信号转换中浪费大量能量。与此相比,类比光学计算机(Analog Optical Computer, AOC)采用独特的模拟电学与三维光学的结合方式,为人工智能推理及优化问题提供了高效而节能的计算方案。该系统基于快速的迭代固定点搜索算法,消除了数字转换的需求,增强了对类比噪声的鲁棒性,并能够统一加速神经网络推理与混合变量的组合优化任务。AOC的核心算法以迭代式固定点更新为基础,通过模拟光学域内的矩阵与向量乘法及模拟电子域的非线性计算,实现了深度递归神经网络和复杂优化模型的迅速收敛。硬件架构中,微型LED阵列作为光源承载状态向量,空间光调制器(Spatial Light Modulator, SLM)存储和调制权重矩阵,而光电探测器阵列负责将光信号转换回电信号,电子模拟模块则完成非线性变换、减法和退火调控,形成一个光电混合反馈回路。
通过利用三维光路实现高效的矩阵乘法,系统具备高度并行和可扩展能力。基于该结构,AOC支持多种人工智能中的固定点模型,如深度平衡模型(Deep Equilibrium Models),其递归性质允许动态推理,实现对未知环境的更好泛化,对比传统前馈网络展现出更强的表达能力。实验阶段,AOC成功实现了数千权重规模的图像分类与非线性回归任务,对MNIST和时尚MNIST数据集表现出与数字孪生模型高度一致的结果。值得注意的是,利用时间复用技术,系统能够扩展至数万权重,实现更大规模模型的推理。相对于计算密集的数字硬件,AOC以极低的能耗在数百纳秒内完成推理,显著提升了效率。在优化领域,AOC采用了灵活的二次无约束混合优化(Quadratic Unconstrained Mixed Optimization, QUMO)框架,能够处理同时含有连续与二元变量的复杂约束问题。
其优势在于能以较低的代价映射包含线性不等式约束的实际问题,避免传统QUBO方法中约束变量爆炸的缺陷。通过块坐标下降方法分解大规模QUMO问题,使AOC硬件处理规模有限的子问题进而完成整体收敛。AOC在医学影像重建领域展现出巨大潜力,以压缩感知方案为例,系统成功重构受损的希普-洛根幻影图像,并推广到FastMRI脑部扫描数据,显著提升重建精度与计算速度。在金融领域,系统实现了复杂证券交易的结算优化, 在处理实际数据生成的案例中找到了最优方案,表现出超过目前量子硬件的稳定性和成功率。对比主流商业求解器如Gurobi,AOC在若干困难基准问题上实现了千倍速度提升,且成功发现多组全新优解。未来AOC的可扩展性建立在使用工业成熟的消费级光学器件基础之上,通过模块化设计和三维光路集成,可望扩展至数十亿权重级别。
每个模块包含微型LED阵列、SLM及光电探测器,利用三维结构实现大规模矩阵 - 向量乘法,同时结合集成模拟电子器件处理非线性函数和变量更新。对比传统平面光学系统,三维光学实现了更好的光路密度和制造适应性,同时减少对光源相干性的依赖,简化制造难度并增强系统稳定性。理论上,AOC能够实现超过500 TOPS/W的能效,比当前最高效GPU提升超过100倍。与此同时,类比架构天然避免了冯·诺依曼瓶颈,通过计算和存储的合一降低了数据移动成本。在模拟噪声方面,AOC的固定点迭代过程本身对噪声具有吸引作用,保证系统状态向最优解稳定收敛,天然适合不完美硬件的现场应用。这一特性使得AOC在未来实现更大规模和更复杂模型成为可能,同时兼顾精度与能效。
AOC的出现预示着人工智能计算形态的重大变革,其通过硬件与算法协同设计,打破数字范式的限制,开启了硬件和软件相互促进的发展新路径。高能效、高速率及适用广泛的算法架构将使其成为医疗影像、金融优化、语言处理、序列推理等多领域内的核心技术。基于AOC的平台能够直接支持动态计算深度的推理模型,提升推理时的资源利用率和准确性,为边缘计算和大规模云端推理均带来巨大优势。综合来看,类比光学计算机作为新兴的计算基础设施,具备彻底改变未来人工智能和优化计算范式的潜力,加速以更节能环保的方式解决复杂现实问题的步伐,推动科技创新迈入绿色高速发展的新时代。未来研发将聚焦于硬件微缩、模块集成与大规模系统协同控制技术,这不仅推动AOC本身成长,也将催生先进材料、光电子及模拟电路设计等相关领域的技术突破,同时培育新一代计算算法和应用机制,塑造可持续计算的战略制高点。 。
