北京
现代人工智能（AI）系统，从机器人手术到高频交易，都依赖于实时处理原始数据流。快速提取重要特征至关重要，但传统数字处理器正面临物理极限。传统电子设备已无法进一步降低延迟或提高吞吐量，以满足当今数据密集型应用的需求。
研究人员正将目光投向光作为解决方案。光计算——利用光而非电来处理复杂计算——为大幅提升速度和效率提供了可能。其中一种极具前景的方法涉及光学衍射算子（thin plate-like structures that perform mathematical operations as light passes through them），这种薄板状结构能在光穿过时执行数学运算。这些系统可同时处理多个信号，且能耗极低。然而，要在10 GHz以上的速度下维持此类计算所需的稳定、相干光，难度极大。
为攻克这一挑战，中国清华大学陈宏伟教授带领团队开发出一种突破性设备——光学特征提取引擎（OFE2）。他们的研究成果发表于《Advanced Photonics Nexus》，展示了一种适用于多种实际应用的高速光学特征提取新方法。
OFE2的关键突破在于其创新的数据准备模块。向核心光学组件提供快速、并行的光信号，同时不损失相位稳定性，是该领域最棘手的问题之一。基于光纤的系统在分光和延时过程中常引入不必要的相位波动。清华大学团队通过设计全集成片上系统（配备可调功分器和精密延迟线）解决了这一问题。该装置能将串行数据转换为多个同步光通道。此外，集成相位阵列使OFE2可轻松重新配置，以适应不同的计算任务。
光信号准备完成后，会通过衍射算子进行特征提取。这一过程类似于矩阵向量乘法：光波相互作用，在特定输出点形成聚焦的“亮点”。通过微调输入光的相位，这些亮点可被导向选定的输出端口，使OFE2能够捕捉输入数据随时间变化的细微差异。
OFE2以12.5 GHz的惊人速度运行，单次矩阵向量乘法仅需250.5皮秒——这是此类光计算的已知最快结果。“我们坚信，这项工作为推动集成光学衍射计算在实际应用中突破10 GHz速率树立了重要标杆。”陈教授表示。
研究团队在多个领域测试了OFE2：
- 图像处理：成功从视觉数据中提取边缘特征，生成成对的“浮雕与雕刻”图谱，提升了图像分类精度，例如在CT扫描中识别器官的任务中表现更优。与标准AI模型相比，使用OFE2的系统所需电子参数更少，证明光学预处理能让混合AI网络更快速、更高效。
- 数字交易：处理实时市场数据以生成盈利买卖指令。经过优化策略训练后，OFE2可将输入的价格信号直接转换为交易决策，实现稳定收益。由于计算以光速进行，交易者能几乎无延迟地把握机会。
这些成果共同标志着计算领域的重大转变。通过将AI处理中最繁重的部分从高功耗电子芯片转移到闪电般快速的光子系统，OFE2等技术有望开启实时、低能耗AI的新纪元。“本研究中的进展将集成衍射算子推向更高速率，为图像识别、辅助医疗、数字金融等领域的计算密集型服务提供支持。我们期待与有数据密集型计算需求的合作伙伴展开合作。”陈教授总结道。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
