1. 首頁 > 生活百科 > >

不用算法不費電，深大造出純光域自學習材料，邊緣計算再添新利器

人工智能算法張晗

不用算法不費電，深大造出純光域自學習材料，邊緣計算再添新利器

文章圖片


人腦里有無數神經元 ， 神經元之間靠突觸連接 ， 外界信息進來后 ， 神經元互相傳遞、加工信號 ， 最后得出判斷 。

人工智能里的神經網絡就是一套模仿人腦思考的通用邏輯框架 ， 本身是無形的 ， 必須靠具體的硬件才能跑起來 ， 就像一套游戲規則 ， 必須靠手機或者電腦才能玩 。

傳統的人工神經網絡幾乎全部跑在電子計算機上仿真完成 ， 也叫虛擬神經網絡 ， 計算速度快、通用性強 ， 但也面臨兩大硬傷：一是內存墻和功耗墻 ， 數據在內存和處理器間來回搬運耗時耗電；二是摩爾定律逐漸失效 ， 芯片制程逼近物理極限 ， 很難再通過縮小晶體管來大幅提升性能 。

為了突破電子計算的瓶頸 ， 研究者把目光轉向了光子 ， 誕生了光學神經網絡（ONN） 。 它用光波代替電子 ， 直接在光域完成核心運算 ， 速度可達電子系統的數十至數百倍 ， 能效極高、無熱耗散 ， 非常適合 AI 時代海量并行推理 。

目前 ， 神經網絡的訓練都靠反向傳播算法 ， 就像老師改作業 ， 錯了就返回去重新學 ， 特別費電腦算力 ， 還費電 ， 沒法在小設備上用 。

近日 ， 深圳大學張晗團隊受巴甫洛夫經典條件反射啟發 ， 首次研制出無需電子參與、無需算法訓練、完全在光域內實現自主學習的智能光子材料系統 。 相關研究發表于國際頂級綜合性期刊《國家科學評論》 。

“這個想法的誕生基于已有研究 ， 我們關注到此前已有相關研究嘗試將聯想學習與光學系統結合 ， 但這些工作存在明顯短板 ， 比如部分研究的刺激順序和巴甫洛夫實驗的核心邏輯不符 ， 還有的并非純光調控 ， 存在多信號耦合的問題 。

我們思考能否彌補這些不足 ， 把巴甫洛夫條件反射的經典生物學機制真正貼合地融入光學神經網絡 ， 同時依托純光調控實現更貼合生物學習的過程 ， 就這樣慢慢探索出了二者結合的研究方向 。 ”這項研究的通訊作者、深圳大學特聘教授張晗告訴 DeepTech 。

當光學材料遇上“巴甫洛夫的狗”

巴甫洛夫的狗的實驗是心理學經典的條件反射實驗 。 通過在喂食（無條件刺激）前多次伴隨鈴聲（中性刺激） ， 使狗將鈴聲與食物建立聯系 。 最終 ， 即使沒有食物 ， 僅聽到鈴聲（條件刺激）也會促使狗分泌唾液（條件反應） ， 揭示了后天學習形成的反射機制 。

在這項研究中 ， 張晗等人使用了一種叫 DCPI 的雙色光引發劑樹脂 。 “該材料原本被用于 3D 打印的雙光固化環節 ， 我們發現它的光化學特性恰好適配光聯想學習的需求 ， 便將其改造為光學神經網絡的物理基底 。 ”他表示 。

這種樹脂就像巴甫洛夫實驗里的“狗” ， 能對不同光的刺激產生固定反應 ， 關鍵是兩步光化學反應 ， 而且對光的照射順序有嚴格要求 。

第一步 ， 用紫外光照樹脂 ， 里面的螺吡喃（SP）會變成部花青（MC） ， 此時樹脂在紫外光下發紅色熒光 。 這個反應可逆 ， 沒紫外光會慢慢變回去；第二步 ， 用 532nm 綠光照樹脂 ， 部花青發生不可逆的聚合反應 ， 生成聚合物 ， 此時樹脂在紫外光下發綠色熒光 。

紫外光相當于搖鈴 ， 綠光相當于給吃的 ， 發綠光相當于流口水 ， 只有先搖鈴再給吃的 ， 狗才會形成條件反射 。
【不用算法不費電，深大造出純光域自學習材料，邊緣計算再添新利器】

圖 | 巴甫洛夫實驗中的術語與雙色熒光開關實驗的對比（來源：上述論文）

值得注意的是 ， 在光照中 ， 必須先照紫外光 ， 再照綠光 ， 樹脂才會從發紅光變成發綠光 ， 這就是樹脂的“聯想學習” 。 如果只照綠光、先照綠光再照紫外光 ， 都不會發生聚合 ， 樹脂只會發紅光 ， 不會發綠光 。

“這正是材料本身的固有性質帶來的巧合 。 我們在對 DCPI 樹脂進行光化學特性測試時 ， 偶然發現只有按照‘先紫外光、后可見光’的順序進行照射 ， 才能快速觸發樹脂的聚合反應 ， 形成穩定的綠色熒光信號 ， 實現有效的記憶編碼；若顛倒時序或單一光照射 ， 都無法完成這一過程 ， 而這一特性恰好與巴甫洛夫實驗中‘條件刺激先于非條件刺激’的條件反射邏輯高度契合 ， 我們便順勢利用這一材料特性 ， 構建了貼合生物機制的光聯想學習框架 。 ”

自上而下 ， 重塑光學網絡訓練邏輯

為了測試這個樹脂能否學習 ， 張晗團隊設計了一系列嚴謹的對照實驗 。

結果發現 ， 僅有紫外光持續照射時 ， 熒光切換極慢（超 1500 秒） ， 幾乎不產生聚合；先綠光后紫外光 ， 或者只有綠光 ， 樹脂始終保持“淡定” ， 不會發生永久的化學記憶； 唯有嚴格遵循“先紫外、后綠光”的順序 ， 樹脂才會迅速觸發聚合反應 ， 形成穩定的綠色熒光信號 。

隨后 ， 研究團隊開始讓它嘗試真正的 AI 任務：圖案識別 。

在訓練階段 ， 研究人員將字母 N、V、Z 的形狀作為紫外光圖案投射到樹脂基底上 ， 并緊接著用綠光投射對應的結果圖案 。 訓練完成后 ， 再照 N 的紫外光 ， 對應的結果區域就會發綠光 ， 成功認出 N 。 V、Z 同理 ， 實驗完全成功 。


圖 | 聯想學習框架在光學實驗圖案識別中的應用（來源：上述論文）

不僅如此 ， 團隊還在計算機模擬中將這一框架擴展到了 0-9 的手寫數字識別 。 先把數字簡化成黑白小格子 ， 再用同樣的聯想學習方法訓練 ， 最后能準確認出數字 ， 證明這個方法能擴展到更復雜的任務 。

從簡單的字母識別 ， 拓展至更為復雜的手寫數字識別任務 ， 盡管其在邏輯層面的可擴展特性得到了初步驗證 。 但張晗坦言 ， 要實現產業級的規?；瘧?， 仍需進一步解決材料制備過程中的穩定性與均一性問題 。 同時 ， 尋找真正適配這一框架的落地場景 ， 使技術特性與產業需求實現精準匹配 ， 也是推動其從原型走向實用化的關鍵所在 。

這篇論文最核心的學術貢獻 ， 在于對光學神經網絡構建邏輯的根本性重塑 。

傳統的光學神經網絡通常采用“自下而上”的構建策略 。 就像搭積木 ， 需要先計算權重 ， 再通過硬件單元堆疊實現網絡構建 ， 是從局部到整體的拼接 。

“而我們的‘自上而下’方法完全模仿生物學習邏輯 ， 依托巴甫洛夫實驗的核心機制 ， 用整體的輸入輸出數據驅動網絡學習 ， 讓系統從整體角度建立刺激與響應的關聯 ， 無需提前進行復雜的權重計算 ， 實現了權重確定與物理硬件實現的同步完成 。 ”張晗說道 。

這為光學計算領域帶來了新的可能性：一是實現了光學神經網絡的原位快速訓練 ， 大幅簡化了硬件制備和訓練流程；二是降低了大規模光學神經網絡的研發成本 ， 適配邊緣計算的低成本、輕量化需求；三是為光學計算與生物智能的深度融合提供了可行框架 ， 讓光學系統的學習模式更貼近自然智能 。

盡管研究取得了重要突破 ， 但張晗也坦誠地指出了系統目前存在的“硬傷” 。

首先 ， 樹脂的聚合反應是不可逆的 。 這意味著它一旦學會了 N、V、Z ， 就無法像人腦那樣“主動遺忘”并學習新字符 。 雖然這種不可逆性換來了極高的穩定性 ， 但如何平衡“記憶”與“更新” ， 依然是材料學上的難題 。

第二個 ， 也是現階段更亟待突破的局限 ， 是系統僅實現了單層線性計算 ， 缺乏非線性激活 。 現實中的智能識別、決策等任務都具有高度的非線性特征 ， 沒有非線性激活 ， 光學神經網絡的表達能力和任務處理能力會被極大限制 ， 只能解決簡單的線性分類問題 ， 無法向人臉識別、復雜物體檢測等更復雜的實際應用拓展 。 這也是制約研究走向實用化的核心瓶頸 。

生物 x 光電 ， 將成光學 AI 發展趨勢

從最初萌生想法到最終完成實驗 ， 張晗團隊的這一研究耗時至少兩三年 ， 期間經歷了兩次大的實驗方案改動 。

最初團隊希望讓材料兼具自學習和自連接功能 ， 卻受限于材料特性和實驗條件難以落地；調整方向專注自學習后 ， 又一度無法觀察到清晰的聯想學習特征信號 。 直到精準控制光刺激的時序、強度和作用范圍 ， 團隊才第一次清晰觀察到樹脂的熒光切換和穩定的聚合反應標記 ， 這一決定性結果也讓團隊確認了研究的可行性 。

這場跨越生物學、光學、材料學、人工智能的跨學科研究 ， 不僅為光學神經網絡的發展提供了新方法 ， 也為光學計算的未來發展指明了新方向 。 在張晗看來 ， 向生物智能學習是光學計算發展的捷徑 ， 生物與光電的交叉融合 ， 必然會成為光學 AI 的核心發展趨勢 。

“一方面 ， 生物智能經過億萬年的進化 ， 形成了高度高效、低功耗、高魯棒性的學習和決策機制 ， 這正是現階段光學計算和光學 AI 所追求的目標 ， 從生物智能中汲取靈感 ， 能讓我們避開很多技術彎路 ， 更快找到光學系統的智能實現路徑；另一方面 ， 不僅是光學 AI ， 幾乎所有的發明創造 ， 本質上都是對自然和生物機制的模仿與優化 ， 生物的結構和功能為人工系統的設計提供了最優質的參考模板 。

未來光學 AI 的發展 ， 必然會持續深化與生物智能的交叉融合 ， 讓光學系統更貼近自然智能的本質 。 ”張晗表示 。

未來 ， 張晗團隊將把實現非線性激活作為核心研究方向 ， 同時圍繞材料改性、實驗方案優化、工程化技術突破展開探索 ， 持續推動光聯想學習框架向更復雜的應用場景拓展 。

參考鏈接：
1.https://www.bain.com/insights/how-can-we-meet-ais-insatiable-demand-for-compute-power-technology-report-2025/
2.https://cpoe.szu.edu.cn/szxq.jsp?wbtreeid=1191id=1779754232620453889language=0

運營/排版：何晨龍

    推薦閱讀