随着人工智能(AI)和组合优化技术在多个行业的重要性日益提升,计算需求呈现爆炸式增长。然而,传统数字计算架构面临着能耗高、延迟大以及内存瓶颈等诸多挑战,亟需突破以实现更高效、更可持续的计算方式。类比光学计算(Analog Optical Computer,简称AOC)正是在这样的背景下应运而生,它融合了三维光学和类比电子技术,打造了一种全新的计算平台,能够同时满足AI推断与组合优化的需求。 AOC的最大创新点在于其采用了固定点迭代搜索进行计算,这一策略完全避免了数字-类比转换过程,显著降低了计算过程中的能量损耗,同时提高了对模拟噪声的抵抗力。在实际操作中,光学部分负责高并行矩阵向量乘法的计算,类比电子部件则完成非线性操作、信号减法及模拟退火。得益于光与电子交替的计算回路,系统能够在20纳秒左右完成一次迭代,几千次迭代之后收敛到固定点,从而实现复杂模型的高效推断或组合问题的求解。
在AI推断领域,AOC主要加速计算密集型的递归神经平衡模型(Equilibrium Models)。此类模型通过递归迭代直到达到输入-输出固定点,具备推理深度动态调整和提升泛化能力的优势。传统数字计算器难以高效实现此类模型,因为迭代次数多且计算密集。AOC的全模拟硬件天然适合它们的固定点迭代特征,减少内存访问瓶颈,提升运算效率。研究团队通过硬件和数字孪生模拟(Digital Twin)联合训练完成模型部署,实现了手写数字识别(MNIST)和时尚商品分类等任务,同时在非线性回归中成功复现高逼真度函数曲线,展示了系统对连续数值输出的处理能力。 组合优化则是人工智能应用中的另一关键领域,涉及寻找满足约束条件下的最优变量赋值。
AOC采用泛化的二次无约束混合优化(Quadratic Unconstrained Mixed Optimization,QUMO)理论框架,支持连续与二进制变量的混合最优化问题。这比传统的二进制优化(QUBO)更具灵活性和表达力,尤其对于需要线性不等式约束的实际场景,如金融交易结算和医疗影像重建尤为适用。基于此,AOC在两个现实复杂应用中均取得了突破。医疗影像重建案例中,通过将压缩感知方法转化为QUMO问题,AOC实现了用更少测量数据重建高质量医学图像,明显优于仅依赖数据保真项的传统方法。金融交易结算方面,通过将数十个交易与约束条款映射为QUMO实例,AOC有效求解最大成交量问题,优化批处理清算过程,并且表现优于现有商业求解器和量子设备。 硬件设计层面,AOC结合16×16的微型LED发光阵列、空间光调制器(SLM)和光电探测阵列,利用三维光学结构实现高效光线路径控制。
微LED发光亮度表示计算状态,SLM承担矩阵权重的光学调制,光电探测器负责信号加法合成。光学乘法的并行特性结合模拟电子的非线性变换构成闭环。系统无需同步时钟,迭代过程在模拟域持续进行,极大降低了模拟-数字转换开销。此外,硬件采用了消费级制造技术,具备良好扩展性和经济性。借助模块化设计,可将矩阵分割成若干子模块,结合3D集成光电子器件,预计可扩展至百亿级权重规模,满足未来大规模AI和优化任务需求。 AOC的优势不仅在于速度和能效。
其固定点迭代算法具有天然的噪声容忍性,模拟噪声在迭代过程中被吸引至稳态解,有效保证了稳定性和可靠性。与深度前馈模型相比,具备明显更强的抗噪声性能,让系统更适合模拟硬件的实现特性。另外,AOC支持时间复用方式,将多个小规模模型组合成更大规模集成,实现了软硬件协同,提升模型容量而不牺牲性能。 展望未来,随着三维光学微缩技术和集成电子技术的不断进步,AOC有潜力成为推动人工智能和优化计算迈向绿色、可持续时代的核心硬件平台。其百倍于GPU的功耗效率加上强大的递归推断能力,将为智慧医疗、金融科技、自动驾驶、科学计算等领域带来飞跃性的突破。硬件和算法的深度耦合创新,有望形成良性发展循环,推动模拟计算迈向主流。
综上所述,类比光学计算为AI推断和组合优化问题求解打开了一扇崭新的大门。通过剥离数字计算的瓶颈,将计算任务融入光与电子的并行与迭代模拟循环,AOC成功实现了高效、可扩展且能耗友好的计算范例。面对数字时代日益增长的算力需求和环境挑战,AOC为如何重塑计算架构、释放下一代智能应用潜力指明了方向。 。
