人工智能和组合优化作为当下科技发展与产业应用的两大核心驱动力,正深刻影响着科学研究、医疗影像、金融结算等多个领域。然而,传统数字计算技术在应对日益增长的计算规模和复杂度时,面临着无法忽视的能耗问题和硬件效率限制。数字系统的能耗主要来源于频繁的计算和数据移动,尤其是在神经网络推理和求解组合优化问题时,数据的数字-模拟转化过程往往耗费大量能源,制约着应用的可持续扩展。模拟计算作为数字计算的有力补充,近年来重新受到关注。特别是模拟光学计算机(Analog Optical Computer,简称AOC)的诞生,为解决能源和速度瓶颈提供了全新的思路。AOC融合了模拟电子学与三维光学技术,依托快速的固定点搜索算法,在单一平台上支持AI推理与组合优化两大任务,突破了传统设备单一应用的限制。
AOC的核心优势在于其无需数字转换的全模拟反馈结构。光学部分实现了高效的矩阵-向量乘法,这一关键计算往往是神经网络和优化问题中的性能瓶颈。微型LED阵列作为光源,将神经网络激活或变量状态编码为光强度;空间光调制器(SLM)则承载权重或问题系数,通过调制光信号完成乘积分解。探测器阵列将光信号叠加结果转换回模拟电压,继而进入电子模拟电路进行非线性变换、加减、退火等操作。整个迭代环路约20纳秒,允许在不断反馈中迅速收敛至问题的固定点状态。固定点搜索的抽象赋予了AOC强大的噪声鲁棒性,这一点对模拟系统尤为关键。
通过固定点的吸引特性,迭代过程自动抵消了硬件的非理想噪声影响,有效保证计算结果的准确性。算法层面,AOC采用一种统一的迭代更新规则,将AI推理中的深度平衡网络和组合优化中的二次无约束混合优化(QUMO)问题纳入同一框架,增强了硬件适用性和应用广度。平衡网络作为一种自我递归神经网络模型,具有动态推理深度和增强的泛化能力,特别适合模拟加速。AOC支持这些模型的九位量化权重,硬件配合数字孪生系统实现训练与推理的无缝对接。在图像分类和非线性回归任务中,AOC表现出与精度匹配数字模型相当甚至更优的能力。模拟推理仅需少数迭代次数(约九轮),对应硬件执行时间约180纳秒,大幅提升推理时效。
非线性回归任务尽管对硬件噪声敏感,但在多次采样平均后,AOC依然能高保真地拟合复杂曲线,显示出其在连续变量处理上的潜力。组合优化方面,AOC利用QUMO模型的混合二进制与连续变量表达能力,解决了传统QUBO难以灵活表达约束的痛点。QUMO能有效通过少量连续松弛变量少距离映射复杂约束条件,提高了问题表征的实际适用性。实际应用中,AOC在医疗成像领域实现了基于ℓ0范数的压缩感知重构,挑战了传统凸优化无法有效处理的硬优化问题。通过分块坐标下降方法,将大规模问题划分成硬件支持的小子问题,模拟方式完全运行,无需数字后处理,就能达到甚至优于传统算法的重构精度。在金融交易结算优化中,AOC同样展现出巨大优势。
面对数十个变量和多重复杂约束的交易决策问题,AOC硬件在极短时间内实现全局最优解,且成功率达到100%,远超部分量子计算方案的表现。这再次证明模拟光学硬件结合创新算法能够为现实工业难题带来突破。面对未来的硬件扩展挑战,AOC采用模块化三维光学设计,可通过多模块并行与时间复用技术扩展到数亿甚至数十亿权重规模。成熟的消费级LED、SLM、光探测器及集成模拟电子器件,为AOC的批量生产和高速落地奠定基础。与传统平面光学方案相比,三维设计突破了单层芯片面积限制,实现更多变量和权重的高效并行计算。模拟光学计算机预计在能效方面领先主流GPU至少百倍,达到500 TOPS/W的量级。
硬件调速受限于光电组件的频带宽度(约2 GHz),综合功耗约为800瓦,使得大规模神经网络和组合优化问题的计算速度和能效具备极大提升潜力。伴随硬件的不断演进和算法的紧密协同设计,AOC为提升AI推理和优化计算的可持续性和速度开启了新的篇章。结合数字孪生仿真平台,不仅实现了对当前实验硬件状态的精准建模,也为将大规模问题导入物理设备提供了实用工具。这种硬件与算法共进化的策略,类似于过去数字加速器与深度学习模型的协同进步,预计会催生更多创新计算范式。模拟光学计算机的出现,标志着计算架构从纯数字向多模态混合发展的趋势。它不仅满足了现代AI对低能耗高性能的双重需求,还为解决难度极高的组合优化问题带来突破。
随着组件微型化和集成水平的提升,基于模拟光学的计算有望广泛应用于医疗诊断、金融风控、智能制造等领域,引领智能时代下一代计算技术走向绿色高效、智能互联的新纪元。 。
