2026-09-27
Nokia 贝尔实验室让深度神经网络的正向计算与反向传播梯度全部在硅光芯片上完成，两个非线性分类任务精度超 90%，追平数字参考模型。
光子神经网络（PNN）想用光代替电跑神经网络：矩阵乘法靠光的干涉与调制完成，天然并行、能效高。推理演示已经不少，训练一直是短板。反向传播是深度网络的主流训练算法，靠逐层回传梯度；光芯片上此前缺一个可扩展的片上激活梯度实现，于是训练只有两条凑合的路：要么把梯度计算交给外部数字计算机，但制造工艺带来的器件差异和环境漂移会让数字侧模型与光芯片的真实行为脱节，训练质量打折；要么用无梯度算法，又拿不到反向传播的通用性与可扩展性。这篇 Nature 论文（651 卷，2026 年 3 月 18 日）要把整个训练循环搬进光芯片。
先交代证据边界：正文付费墙，以下依据摘要与图注。Nokia 贝尔实验室的团队（Ashtiani、Idjadi、Kim）演示了一块集成光子深度神经网络芯片，用片上梯度下降反向传播做端到端训练，全部线性与非线性计算在单块光芯片上完成。图注给出的路径：非线性激活函数及其梯度用强度调制器和微环调制器在光域实现（Fig. 2），网络本体是硅光工艺的深度神经网络芯片（Fig. 3）。「端到端」是关键：前向传播、损失、梯度回传、参数更新都发生在同一块带着真实器件偏差的物理介质里，梯度追踪的是这片芯片的实际响应，训练因此对制造偏差稳健，这是数字侧代理训练给不了的。
摘要给出的定量结果：两个非线性数据分类任务上，芯片准确率超过 90%，与参考数字模型在准确率和稳健性上都匹配，全程不用数字计算机。网络规模、层数、训练时长、能耗对比、工作速度这些数字在付费墙内，摘要与图注都没有给，这里不猜。
光子计算此前更接近推理加速器：数字域训练好权重再搬上光芯片，器件偏差靠校准和容错硬扛。片上端到端训练把格局改成芯片自己适应自己，权重在真实物理响应里收敛。摘要明确说这套反向传播实现可推广到各种 PNN 架构。对撞上功耗墙的 AI 算力，这是专用数字加速器之外另一条可能的主干道；对光子计算领域，训练从「靠外设」变成「在片内」。