人工智能大模型的迅猛发展与广泛应用，使得算力成为重大的战略抓手与基础设施。长期以来电子芯片的算力增长支撑着AI模型规模的不断发展，然而其高能耗亦带来了前所未有的能源挑战，新兴计算范式的建立与发展迫在眉睫。以光为计算媒介，以光的可控传播构建计算模型，光计算以其高算力低能耗特性打开了智能计算的新赛道，在后摩尔时代展现出巨大的潜力。

训练和推理是AI大模型核心能力的两大基石，缺一不可。通用智能光计算芯片“太极”[Science 2024]的问世, 首次将光计算从原理验证推向了大规模实验应用，以160TOPS/W的系统级能效为复杂智能任务的“推理”带来了曙光，但却未能释放光计算的“训练之能”。相较于推理而言，模型训练对算力更为亟需，然而电训练架构要求前向-反向传播模型高度匹配，这对光计算物理系统的精准对齐提出了苛刻的要求，致使梯度计算难、离线建模慢、映射误差大，极大地禁锢了光训练的规模与效率。

清华大学电子工程系、信息国家研究中心方璐教授课题组，自动化系、信息国家研究中心戴琼海教授课题组，另辟蹊径，构建了光子传播对称性模型，摒弃了电训练反向传播范式，首创了全前向智能光计算训练架构，研制了通用光训练芯片“太极-II”，摆脱了对离线训练的依赖，支撑智能系统的高效精准光训练，相关研究成果近期发表于《Nature》。太极-II的面世，填补了智能光计算在大规模训练这一核心拼图的空白，将与太极-I合力，为AI大模型训练与推理注入算力发展的新动力，构建光算力新基座。

论文发表截图

物理是自然界的语言，也是一切问题的答案。经典物理学对称之美的微光，通过现代物理学的刻画延伸，建立了时光之美，信息解释了时光之变，击中了21世纪的人工智能光计算领域。全前向光训练突破了电训练架构对物理光计算的掣肘，将梯度下降中的反向传播化为光学系统的前向传播，两次前向传播具备天然的对齐特性，保障了物理梯度的计算精度。与此同时，物理光系统的调制-传播与神经网络的激活-连接相互映射，即调制模块的训练可驱动任意网络的权重优化，从而保障了训练的速度与能效。系统实测结果表明，太极-II突破了精度与效率的矛盾，将数百万参数的光网络训练速度提升了1个数量级，代表性智能任务的准确率提升40%。在非视域等复杂场景成像应用中，实现了千赫兹帧率的智能成像，效率提升2个数量级。除此之外，太极-II在拓扑光子学领域亦展露出应用潜力，在不依赖任何模型先验下可自动搜索非厄米奇异点，为高效精准解析复杂拓扑系统提供了新思路。

正反互易：全前向传播光训练架构（左图）；光学共通：通用光训练赋能复杂系统（右图）

如两仪分立，太极-I和II分别实现了高能效AI推理与训练；又如两仪调和，太极-I和II共同构成了大规模智能计算的完整生命周期，开启了智能光计算的新时代。在原理样片的基础上，研究团队正积极地向智能光芯片产业化迈进，在多种端侧智能系统上进行了应用部署。可以预见，智能光计算平台将逐步登上AI算力舞台，破除人工智能算力困局，以更低的资源消耗和更小的边际成本，为人工智能大模型、通用人工智能、复杂智能系统的高速高能效计算开辟新路径。

该研究工作以“光神经网络全前向训练”(Fully forward mode training for optical neural networks)为题，发表于Nature《自然》期刊。清华大学电子系为论文第一单位，方璐教授、戴琼海教授为论文的通讯作者，清华大学电子系博士生薛智威、博士后周天贶为共同一作，电子系博士生徐智昊、之江实验室虞绍良博士参与了本项工作。本课题受到国家科技部、国家自然科学基金委、北京信息科学与技术国家研究中心、清华大学-之江实验室联合研究中心的支持。

论文链接：https://www.nature.com/articles/s41586-024-07687-4

（来源：电子系）