本文由论文作者团队撰稿
导读
1987年，加州理工学院Demetri Psaltis在《科学美国人》上提出“光子大脑”的构想，但彼时光子集成技术尚未成熟，该愿景长期停留在理论阶段。近年来，随着片上光子器件与集成工艺的关键突破，光子神经网络迎来新的发展机遇，其中高性能、全光集成的非线性激活单元是实现系统完整功能的核心挑战。
近日，新加坡国立大学团队在此领域取得重要进展。他们创新性地利用周期极化铌酸锂纳米光子波导中的强二阶非线性效应，实现了一种全被动、无外部控制的光学非线性激活单元，其二次谐波转换效率高达~80%，响应时间由瞬时电子极化主导，原理上支持超高速运算。
研究团队进一步将该非线性PPLN芯片与硅基马赫-曾德尔干涉仪线性处理器光学级联，成功在实验上实现了光域内完成线性加权与非线性激活的完整神经元功能。该系统在多项机器学习基准任务中表现优异，不仅能够学习复杂的非线性决策边界，在医学图像分类与翼型自噪声回归等实际任务中，其性能也与电子神经网络相当，展现出强大的泛化能力与应用前景。
该成果标志着全光非线性神经元迈出关键一步，为构建高速、可扩展的光子AI处理器奠定了重要基础。相关工作以“Passive All-Optical Nonlinear Neuron Activation via PPLN Nanophotonic Waveguides”为题发表于eLight（影响因子32.1，入选两期卓越计划）。Wujie Fu与Xiaodong Shi为共同第一作者， Aaron Danner和Di Zhu为通讯作者。
在 AI 浪潮带来的持续算力需求增长背景下，构建突破电子瓶颈、以光互连和光计算为基础的高速低能耗智能计算架构，已成为学术界和产业界的共同目标。依托干涉与并行传播等物理机制，光子系统在执行大规模线性运算方面展现出天然优势，并已在矩阵乘法等关键任务上取得显著进展。
然而，神经网络的表达能力不仅来自线性变换，更依赖非线性激活函数来塑造复杂的决策边界。光在传播中天然遵循线性叠加原理，这一与非线性需求之间的根本差异，构成了全光神经网络走向实用化的核心挑战。
近年来，线性光子计算不断刷新性能边界。例如，清华大学的“太极”光芯片与曦智科技的 PACE 架构相继在 Science 和 Nature 上报道，上海光机所也在 eLight 展示了百波长并行计算系统。这些成果充分体现了基于干涉、衍射和波分复用的光计算潜力，理论上可支持百 GHz 量级的超高速矩阵运算，吞吐量和能效远超传统电子平台。
与此同时，非线性环节的短板变得愈发突出。 现有多数光学非线性机制仍受限于载流子、热或声学等相对缓慢的物理过程，响应时间通常停留在纳秒或亚纳秒尺度，难以与前端的高速线性运算相匹配。这种由物理机理带来的速率差异，在系统层面形成了明显的“速度断层”，成为制约全光神经网络性能与能效进一步提升的关键因素。
针对这一瓶颈，研究团队将目光投向具有近乎瞬时响应的二阶非线性光学效应，设计、制造并实验演示了一种基于周期极化铌酸锂（PPLN）纳米波导的无源非线性全光激活单元。在这一架构中（图1），硅基马赫–曾德尔干涉仪网络负责完成可编程的线性矩阵运算，而 PPLN 波导则利用其强大的本征非线性，在光传播过程中自动对信号进行超快幅度重塑，从而实现神经元所需的激活功能。
图1：全光神经元架构。(a) 基于干涉的线性处理芯片与铌酸锂非线性纳米波导的显微图像。电极用于设定网络参数，计算结果从光学输出端口读出。(b) 信息被编码到光信号中，首先通过干涉完成加权求和，随后进入 PPLN 波导，在材料的本征非线性作用下实现激活，从而在光域内完成一个神经元的完整计算
该非线性激活单元的关键性能已经在实验中得到验证。在通信波段，器件在连续、脉冲光条件下均实现了接近80% 的能量转换效率，并呈现出类似神经网络中 sigmoid 函数的激活响应行为（图2）。由于这一过程源自材料的超快电子响应，其速度在原理上可以支持超过百 GHz 的运行频率，从而在物理层面弥合了光子线性计算与非线性激活之间长期存在的速率差距。
图2：全光神经元非线性激活表征。(a) 器件图像及测试配置。(b)通过周期极化实现相位匹配，在通信波段 1552 nm 实现高效频率转换。(c) 连续光泵浦下的光学激活函数。(d) 连续光条件下的二次谐波转换效率接近 80%。(e) 理论分析表明，这一参数化非线性可支持极高的计算带宽。(f) 飞秒脉冲实验在更低能量下验证了相同的激活行为
该全光神经元的计算能力在学习复杂非线性决策边界中得到了有效验证。在多个经典机器学习数据集的测试中，系统通过光信号的线性传播与基于PPLN的非线性变换，成功构建了清晰的分类边界（图3）。此外，在面向实际应用的基准任务中，采用所提出光学非线性单元的神经网络模型取得了与同结构电子神经网络相当的预测精度，证实了该技术在处理真实世界复杂问题中的可行性与实用性。
图3：利用全光神经元实现学习。(a) 非线性的 PPLN 芯片与可编程干涉处理器级联，构成一个可工作的光学神经元。信息被编码到光中，经过被动非线性变换与干涉计算后输出预测结果。(b)–(d) 在多种经典分类任务中，该系统能够学习复杂的决策边界，并取得 >95% 准确率。(e)–(g) 在多类别数据上，光学网络同样形成了清晰的类别分区，预测结果稳定且具有良好的可解释性
总结与展望
这项工作展示了一种无源、高速且具备良好集成潜力的全光非线性神经元，为破解光子神经网络长期面临的“非线性缺失”难题提供了切实可行的路径。由于该激活机制完全建立在铌酸锂波导结构之上，无需额外材料体系或复杂驱动，具备与多类线性光学处理结构进行级联的潜力。实验结果表明，从基础模式识别到更接近实际需求的任务，该方案均展现出稳定可靠的表现。这一进展为构建更大规模、更高速度的光子智能处理系统铺平了道路，并有望在未来的人工智能硬件、超高速信号处理以及光电融合计算架构中发挥重要作用。
论文信息
Fu, W., Shi, X., Mohanraj, S.S. et al. Passive all-optical nonlinear neuron activation via PPLN nanophotonic waveguides. eLight 6, 9 (2026).
https://doi.org/10.1186/s43593-026-00125-0
