人工智能和组合优化技术在推动科学进步和工业变革中扮演着关键角色,但伴随而来的数字计算能耗迅速攀升,制约了其可持续发展。传统数字架构在处理复杂神经模型和大规模优化问题时,常因存储瓶颈和频繁的模拟-数字转换而效率低下。为应对这些挑战,模拟光学计算机作为一种革命性计算平台应运而生,通过将模拟电子学与三维光学技术融合,实现了在同一系统中高效加速人工智能推理与组合优化。模拟光学计算机(AOC)突破了传统计算范式,以其独有的固定点搜索逻辑避免了数字转换过程,显著提升了计算的能效和速度。该体系采用快速迭代反馈循环,每个循环时长约20纳秒,光学部分完成矩阵向量乘积的高并行计算,而模拟电子部分则实现非线性变换、加减法以及退火过程。这样的双域融合不仅消除了昂贵的数字转换开销,更增强了对模拟噪声的抵抗力。
硬件方面,AOC整合了消费级可扩展组件,包括微型发光二极管阵列、空间光调制器和光电探测器阵列。微LED阵列将神经网络的激活状态以光强形式编码,空间光调制器精确存储并调制网络权重,而光电探测器负责将光学信号转换为模拟电压,供后续电子处理模块使用。该设计利用三维光学系统,充分发挥空间光调制器的潜力,实现了高效的光信号扇出和扇入,从而支持更大规模的矩阵运算。固定点抽象是AOC计算的核心,统一了机器学习推理与组合优化的迭代过程。具体而言,系统通过递归迭代公式更新状态向量,利用带有动量和退火机制的非线性变换引导状态迭代收敛至固定点,固定点分别对应神经网络推理的输出或优化问题的最优解。此迭代过程不仅避免中间存储,且内在具备噪声自纠能力,极适合模拟硬件实现。
AOC支持包括深度平衡模型(Deep Equilibrium Models)在内的新兴神经网络结构,这些模型以其递归推理能力和动态推理深度,在实现复杂认知任务时展现出优越的泛化性能。通过数字孪生系统(AOC-DT),实现了对AOC硬件的高保真模拟与训练,使模型参数能无缝转移至光电子混合硬件并进行高效推理。实际应用中,AOC展示了高性能的图像分类任务,包括MNIST及Fashion-MNIST数据集,同时实现了针对高噪声敏感的非线性回归问题,均在硬件上完成,取得了与数字仿真接近的准确性。除了机器学习,AOC在组合优化领域也表现出强大实力。基于二次无约束混合优化(QUMO)模型,AOC能够同时处理连续与二元变量,远超传统二次无约束二进制优化(QUBO)模式,极大拓宽了优化问题的适用范围。在医疗图像重建案例中,AOC成功解决了带" ℓ0-范数 "稀疏约束的压缩感知问题,实现了高质量的磁共振成像(MRI)重构,有望缩短扫描时间,提升患者体验。
此外,金融领域的交易结算问题通过QUMO模型映射至AOC硬件,显著提升了问题求解速度和结果质量,对实际系统具有直接指导意义。面对工业级大型问题,AOC采用模块化架构和协调式子问题分解,结合块坐标下降法(BCD),极大地提升了硬件处理规模和灵活性。未来,随着三维光学技术与集成模拟电子学的进一步融合,AOC有望扩展至亿级乃至十亿级权重规模,带来百倍级别的能效提升。与顶尖GPU相比,AOC在8位精度下预计可实现每瓦特500万亿次操作的惊人性能,凸显其绿色计算潜力。模拟光学计算机以其创新的硬件软件协同设计理念,正在形成类深度学习加速器的进化路径,促使AI推理和组合优化领域进入更高效、更可持续的发展阶段。展望未来,AOC不仅有望推动更复杂递归神经模型的硬件加速,还可能启发更多算法与体系结构的创新,推动AI与优化在科学研究、医疗成像、金融科技等诸多产业实现突破。
作为数字时代后模拟计算的有力竞选者,模拟光学计算机开启了面向可持续计算时代的全新篇章。 。
