1月11日消息，據《先進光子學》（Advanced Photonics）報道，在人工智能神經網絡高速發展的背景下，大規模的矩陣運算與頻繁的數據迭代給傳統電子處理器帶來了巨大壓力。光電混合計算通過光學處理與電學處理的協同集成，展現出顯著的計算性能，然而實際應用受限于訓練與推理環節分離、離線權重更新等問題，造成信息熵劣化、計算精度下降，導致推理準確度低。

中國科學院半導體研究所提出了一種基于相位像素陣列的可編程光學處理單元（OPU），并結合李雅普諾夫穩定性理論實現了對OPU的靈活編程。在此基礎上，團隊構建了一種端到端閉環光電混合計算架構（ECA），通過硬件—算法協同設計，實現了訓練與推理的全流程閉環優化，有效補償了信息熵損失，打破了光計算中計算精度與準確度之間的強耦合關系。

該架構通過噪聲自學習機制，實現了光學與電學參數聯合優化與自適應計算精度補償。實驗結果表明，采用4-bit的OPU時，ECA在MNIST手寫數字識別任務（計算機視覺領域的經典任務）上的推理準確率達到90.8%，接近8-bit傳統計算架構（TCA）的理論極限（90.9%），這表明光計算系統在低硬件精度情況下仍能實現高精度推理，為高性能計算架構的設計提供了新思路。

該OPU支持30.67GBaud/s的運算速率，實現981.3GOPS的計算能力與3.97TOPS/mm2的計算密度。理論分析表明，該結構可進一步擴展至128×128規模，計算能力可達1005TOPS，計算密度為4.09TOPS/mm2，能效可達37.81fJ/MAC，顯示出其在微波光子信號處理、光通信與神經形態人工智能等領域的應用潛力。