在人工智能神經網絡迅猛發展的當下，大規模矩陣運算與頻繁數據迭代讓傳統電子處理器面臨巨大挑戰。光電混合計算憑借光學處理與電學處理的協同集成，展現出強大的計算性能潛力，但實際應用中卻遭遇諸多阻礙。訓練與推理環節分離、離線權重更新等問題，導致信息熵劣化、計算精度下降，進而使得推理準確度不盡人意。
中國科學院半導體研究所科研團隊取得重要突破。他們提出一種基于相位像素陣列的可編程光學處理單元（OPU），并運用李雅普諾夫穩定性理論，實現了對OPU的靈活編程。以此為基礎，團隊構建了端到端閉環光電混合計算架構（ECA）。該架構通過硬件—算法協同設計，達成訓練與推理全流程閉環優化，有效補償信息熵損失，成功打破光計算中計算精度與準確度之間的緊密耦合關系。
這一創新架構具備噪聲自學習機制，可實現光學與電學參數聯合優化以及自適應計算精度補償。實驗數據令人矚目，采用4-bit的OPU時，在計算機視覺領域的經典任務——MNIST手寫數字識別任務中，ECA的推理準確率達到90.8%，與8-bit傳統計算架構（TCA）的理論極限90.9%極為接近。這充分證明，光計算系統即便在低硬件精度條件下，也能實現高精度推理，為高性能計算架構設計開辟了全新路徑。
從性能參數來看，該OPU表現卓越，支持30.67GBaud/s的運算速率，具備981.3GOPS的計算能力以及3.97TOPS/mm2的計算密度。理論分析顯示，該結構可進一步擴展至128×128規模，屆時計算能力將提升至1005TOPS，計算密度達4.09TOPS/mm2，能效可達37.81fJ/MAC。如此優異的性能，使其在微波光子信號處理、光通信與神經形態人工智能等多個領域展現出廣闊的應用前景。
