光子神经网络芯片的片上训练算法与能效优化.docxVIP

光子神经网络芯片的片上训练算法与能效优化

一、引言：光子计算破解人工智能算力能效困局的核心机遇

近些年人工智能技术的快速迭代，尤其是大语言模型、具身智能、实时高清视觉处理等应用的普及，让全社会对算力的需求呈现出指数级增长的态势。传统基于电子晶体管的计算芯片受限于冯·诺依曼架构的存算分离瓶颈，以及摩尔定律逐渐放缓的物理约束，算力提升的速度已经难以匹配人工智能的需求增长，同时高算力带来的高能耗问题也愈发凸显，大规模模型训练的电力消耗已经达到了不容忽视的规模，算力与能效逐渐成为人工智能进一步普惠发展的核心堵点。在这样的背景下，以光子作为信息载体的光子计算技术，凭借天生的高并行度、光速传播低时延、传输过程无焦耳热等优势，被公认为后摩尔时代最具潜力的人工智能算力支撑技术之一。

长期以来，光子神经网络芯片的研究大多采用“电域训练、光域推理”的离线模式，也就是在电子计算平台上完成模型的全部训练过程，再将训练好的权重写入光芯片执行推理任务。这种模式在实验室恒温、无振动的理想环境下能够展现出不错的性能，但一旦部署到实际应用场景中，受光器件工艺偏差、温度漂移、信号串扰等非理想因素影响，推理精度会出现大幅下滑，难以满足实用要求。为了破解这一难题，将训练全流程迁移到光子芯片上、实现不依赖电子端大规模计算的片上训练，同时最大化释放光子计算的能效优势，成为当前光子计算领域的核心研究方向。本文将从片上训练的技术