芯片上可训练的光子神经网络

可扩展集成光子神经网络（PNN）的稳定、可重复性能，高度依赖于高质量的训练方法。目前主流的数字神经网络训练采用基于梯度的反向传播算法，因其可扩展性强、通用性好、实现效率高而被广泛应用。因此，研究人员一直希望在纯光学平台上实现全光反向传播训练。但长期以来，受限于片上非线性激活函数梯度难以规模化集成这一关键瓶颈，实际训练要么依赖外部数字计算机运行反向传播（其性能会因芯片器件间差异和环境波动而下降），要么采用无需梯度的替代算法（牺牲了反向传播的灵活性与高效性）。本研究成功研制出一款集成光子深度神经网络芯片，并首次实现了真正意义上的‘片上端到端反向传播训练’：所有线性运算（如加权求和）和非线性运算（如激活函数及其梯度计算）均在单颗光子芯片上完成。实验表明，尽管芯片存在典型制造工艺带来的器件参数偏差（如波导损耗、调制器响应不一致等），该方案仍能实现稳定、可扩展的训练。在两项非线性数据分类任务中，该光子芯片的分类准确率超过90%，鲁棒性与同等性能的参考数字模型相当，且全程未使用任何外部数字计算机。这项突破将反向传播训练的核心优势与光子神经网络相结合，为未来构建可大规模扩展、高可靠性光子计算系统铺平了道路。