近日，华中科技大学武汉光电国家研究中心董建绩、周海龙等人在光子计算领域取得重大突破。该团队成功开发出一种支持片上原位训练的微环光学神经网络架构，有效解决了光子计算系统的稳定性和可扩展性难题。该研究成果以"In-Situ Trained Microring-Based Neural Networks for Scalable and Robust Photonic Computing"为题，发表于光学期刊《Laser & Photonics Reviews》。
随着深度学习技术的快速发展，传统电子计算在带宽和功耗方面面临严峻挑战。基于微环谐振器（MRR）的光学神经网络因其紧凑的尺寸和波长复用能力而备受关注，被视为下一代高性能计算的重要技术路径。然而，微环谐振器对环境扰动和器件串扰极其敏感，这不仅限制了计算精度，更阻碍了大规模部署的可能性。特别地，真正的片上训练需要支持反向传播算法，这要求系统具备实值双向处理能力——这对于非相干微环阵列来说是一个严峻挑战。
图1 传统查找表方案的微环光子神经网络和本方案架构的对比图
为此，华中科技大学研究团队开发了一种支持片上原位训练的微环光学神经网络架构（图1），解决了光子计算系统的稳定性和可扩展性难题，包含三大核心创新：
1.双向实值计算架构
研究团队通过专门的光路设计和片上符号信息加载模块，成功实现了双向实数域的信息加载和矩阵向量乘法运算。这一设计突破了传统非相干光计算架构无法进行实数计算的根本限制，为片上反向传播奠定了技术基础。
2. 实现高效片上反向传播的原位训练机制
通过实施多波长实值数据的双向输入和两端差分检测，团队成功实现了前向和反向传播的光学矩阵运算，通过梯度下降完成片上原位训练。该技术在多层全连接网络和卷积神经网络中得到验证，分类结果与电子计算机一致。与传统直接部署的微环权重库相比，计算精度提升了13.3%。
3. 高集成度和强鲁棒性
通过全面的稳定性表征测试，包括工艺监控、扰动测试和长期稳定性测试，该芯片展现出精度无关的计算能力和优异的抗干扰性。结合微环固有的尺寸和功效优势，这一架构在大规模、稳定的片上光计算加速器中展现了巨大潜力。
这项研究首次在微环光学神经网络中实现了片上原位训练，解决了光子计算领域的一个关键技术瓶颈。该技术不仅显著提升了计算精度和系统稳定性，更为光子计算的大规模实用化开辟了新路径，有望在数据中心、边缘计算、自动驾驶等对高性能、低功耗计算有迫切需求的领域实现广泛应用。
该项工作得到国家自然科学基金项目资助，博士研究生赵柏衡为第一作者，董建绩教授、周海龙副教授为通讯作者。
论文信息：
B. Zhao, B. Wu, S. Sun, S. Zhang, D. Gao, H. Zhou, J. Dong, and X. Zhang, "In-Situ Trained Microring-Based Neural Networks for Scalable and Robust Photonic Computing," Laser & Photonics Reviews , e01576 (2025).
https://doi.org/10.1002/lpor.202501576
撰稿|课题组
