光模拟计算机：AI推理与组合优化的高效能解决方案

研究人员针对人工智能（AI）和组合优化在数字计算中日益增长的能耗问题，开发了一种结合光学与模拟电子技术的混合计算平台——光模拟计算机（AOC）。该平台通过固定点搜索算法实现高效能计算，避免了频繁的数字-模拟转换，显著提升了计算效率。研究团队在图像分类、非线性回归、医学图像重建和金融交易结算等应用中验证了AOC的性能，其能效比传统GPU提升100倍以上。这一成果为可持续计算提供了新的技术路径，相关研究发表于《Nature》。

随着人工智能（AI）和组合优化应用的普及，数字计算的能耗问题日益突出。传统计算架构在能效和延迟方面面临瓶颈，而现有的非传统计算系统（如光学计算、模拟电子交叉开关和量子退火器）往往只能针对单一任务优化，且依赖高能耗的数字-模拟转换。此外，这些系统还存在应用与硬件不匹配的问题，例如内存瓶颈、噪声干扰以及优化问题的映射困难。为了解决这些问题，Kirill P. Kalinin等研究人员开发了一种新型光模拟计算机（AOC），通过结合光学和模拟电子技术，实现了高效能的AI推理和组合优化。

AOC的核心创新在于其固定点搜索算法，该算法避免了数字转换并增强了噪声鲁棒性。硬件上，AOC利用三维光学技术实现矩阵-向量乘法，并通过模拟电子电路完成非线性运算和减法等操作。研究团队通过四个案例验证了AOC的性能：图像分类、非线性回归、医学图像重建和金融交易结算。结果显示，AOC在能效上比传统GPU高出100倍以上，为可持续计算提供了新的解决方案。

关键技术方法

研究团队采用三维光学和模拟电子技术构建AOC硬件，通过微LED阵列和空间光调制器（SLM）实现矩阵-向量乘法，并利用光电探测器阵列和模拟电子电路完成非线性运算。固定点搜索算法通过迭代更新状态向量实现高效计算，避免了数字转换。实验验证包括MNIST和Fashion-MNIST数据集分类、非线性曲线拟合、医学图像压缩感知和金融交易结算优化。

研究结果

1. 1.

   AOC在机器学习中的应用

   AOC支持平衡模型（如深度平衡网络），通过固定点迭代实现图像分类和非线性回归。在MNIST和Fashion-MNIST数据集上，AOC的分类准确率与数字模拟结果高度一致。非线性回归任务中，AOC成功拟合高斯和正弦曲线，展示了其对噪声的鲁棒性。

2. 2.

   AOC在优化问题中的应用

   AOC支持混合整数优化（QUMO），解决了医学图像重建和金融交易结算等实际问题。在医学图像重建中，AOC通过压缩感知技术实现了高质量的图像恢复；在金融交易结算中，AOC高效解决了NP难问题，优于传统求解器。

3. 3.

   性能与能效

   AOC的能效预计达到500 TOPS/W（8位精度），比传统GPU高100倍以上。其硬件设计基于成熟的消费级技术，未来可通过集成光学和电子模块进一步扩展。

结论与意义

AOC通过固定点搜索算法和混合光学-电子架构，为AI和组合优化提供了高效能的计算平台。其全模拟操作避免了数字转换的能耗，并通过噪声鲁棒性增强了实用性。研究展示了AOC在多个领域的应用潜力，为可持续计算开辟了新路径。未来，AOC的硬件与算法协同设计有望推动更多创新，解决日益增长的计算需求。