光控逻辑卷积神经网络

本文介绍了一种名为“光学逻辑卷积神经网络”（OLCNN）的新型人工智能硬件架构。与当前主流的光学神经网络（ONN）不同，OLCNN不采用模拟加权求和+非线性激活的方式，而是完全基于布尔逻辑运算（如与、或、非、异或等）处理二进制图像数据。这种设计带来三大优势：一是大幅降低对数模转换器（DAC）和模数转换器（ADC）的精度要求（ADC只需1位比较器即可），从而减少硬件复杂度、功耗和延迟；二是利用光的波长和空间两个维度联合编码，高效生成全部逻辑最小项（minterm），支持灵活配置任意逻辑功能；三是逻辑门本身具有内在非线性，无需额外添加非线性器件，简化了光子集成设计。

研究团队分三阶段验证该架构：首先，在铌酸锂绝缘体（LNOI）平台上实现1×3光学逻辑卷积算子（OLCO），用于元胞自动机（ECA）模式生成，实测运算速度达20 Gbit/s；其次，在硅基绝缘体（SOI）平台采用微环辅助延时干涉仪结构，构建2×2 OLCO，成功完成水平边缘、垂直边缘和全向边缘三种图像特征提取；最后，用分立光学元件搭建3×3 OLCO（支持256个波长通道+2个空间通道），构建完整OLCNN模型，对手写数字MNIST数据集进行四分类（如识别0–3或4–7），测试准确率平均达95.1%。实验表明，即使将原始28×28灰度图压缩为9×9二值图（造成一定信息损失），系统仍能保持高识别性能，说明低精度二进制计算足以支撑有效模式识别。

文章进一步指出：OLCNN天然兼容现有数字电路体系，抗环境干扰能力强（对制造误差、温度漂移不敏感）；通过复用同一组逻辑最小项，可并行执行多个卷积核运算，显著提升能效；其单次运算能效达5.2 TOPS/W（每瓦特每秒万亿次逻辑操作），比同类光学模拟卷积方案高出一个数量级以上。该技术特别适用于自动驾驶、工业质检、无人系统等对响应速度和功耗极其敏感的边缘计算场景，可作为前端光学视觉处理器，直接完成特征提取与分类，缩短整个处理链路。总之，OLCNN开创了一条“数字兼容、逻辑驱动”的光子AI新路径，有望突破传统光学模拟计算在精度、功耗和实用性上的瓶颈。