清華大學電子工程系方璐教授課題組、自動化系戴瓊海院士課題組另闢蹊徑，首創全前向智能光計算訓練架構，研製出能耗更低成本更小的「太極-Ⅱ」光芯片，擺脫了對電子GPU（圖形處理器）離線訓練的依賴，實現大規模神經網絡的原位光訓練，為AI（人工智能）大模型探索了光訓練的新路徑。研究表明，太極-II能夠對多種不同光學系統進行訓練，並在各種任務下均表現出了卓越性能。相關研究成果在線發表於最新一期的國際學術期刊《自然》上。/大公報記者 劉凝哲、凱雷北京報道

AI大模型的迅猛發展和廣泛應用，使算力成為關鍵的戰略資源。智能光計算憑藉高算力低能耗的優勢，在後摩爾時代展現巨大的潛力。訓練和推理是AI大模型核心能力的兩大基石，智能光芯片「太極」的問世為大規模複雜任務的「推理」帶來曙光，但未能釋放光計算的「訓練之能」。現有光神經網絡的訓練嚴重依賴GPU離線建模，要求高度匹配的前向─反向傳播模型。這對光計算系統的精準對齊提出苛刻要求，致使梯度計算難、訓練規模小，禁錮了光計算的優勢。

在「太極」辯證統一思想的持續啟發下，清華大學電子工程系方璐教授課題組、自動化系戴瓊海院士課題組，首創了全前向智能光計算訓練架構，研製了太極-Ⅱ光訓練芯片，擺脫了對GPU離線訓練的依賴，實現了大規模神經網絡的原位光訓練。研究團隊刻畫了「光子傳播對稱性」這一物理模型，以「光」易「光」，摒棄了反向傳播這一電訓練範式，化「反」為「前」，掙脫了前向─反向光場傳播嚴格對齊的束縛，構建了通用光計算原位訓練系統，突破了電訓練架構對物理光計算的掣肘，支撐大規模神經網絡的精準高效光訓練。

構建光神經網絡傳播模型

「與現有訓練範式不同的是，我們摒棄了反向傳播，另闢蹊徑，構建了光神經網絡的對稱傳播模型，僅用光學系統的前向傳播即可實現高效高精度光訓練。」課題組負責人方璐教授表示。太極-Ⅱ以物理光學特性為啟發，擯棄了對電訓練架構的依賴，以全前向光學傳播模型來求解大規模網絡訓練難題，克服了計算精度差、訓練速度慢、能量效率低的瓶頸，支撐多尺度複雜光學系統的高效高精度在線訓練。

值得一提的是，太極-Ⅱ的面世，填補了智能光計算在大規模神經網絡訓練這一核心拼圖的空白，除加速AI模型訓練外，還在高性能智能成像、高效解析拓撲光子系統等方面表現出卓越性能。在原理樣片的基礎上，研究團隊正積極地向智能光芯片產業化邁進，在多種中小型無人系統上進行了應用部署。專家表示，可以預見智能光計算平台將逐步登上AI算力舞台，破除人工智能算力困局，以更低的資源消耗和更小的邊際成本，為人工智能大模型、通用人工智能、複雜智能系統的高速高能效計算開闢新路徑。