玻璃变AI芯片！科学家造出可编程三维光子神经网络

将可编程光子神经网络写进玻璃内部，是不是听上去有些科幻？科学家近期的一项研究证明，这条路不仅跑通了，而且规模越大优势越明显。

近期，华中科技大学张新亮教授、董建绩教授与上海交通大学唐豪教授团队联合提出了一种可编程光子计算的新范式。他们开发了新架构 LAMP（Lantern-shaped Adaptive Multilayer Photonic network），意为灯笼形自适应多层光子网络。

通过在玻璃内部用飞秒激光刻出三维光子神经网络芯片，首次实现了单芯片上的可编程三维光计算，能够直接对二维图像进行处理。

研究人员制备了一款基于 LAMP 的八层 64 通道（8×8 阵列）演示芯片，并在芯片上集成 74 个微加热器，它的功能类似于可编程控制“开关”，可随时控制光的走向。

值得关注的是，该芯片在多项任务中表现出优异的性能。例如，在手写数字分类 MNIST 任务中训练准确率为 93%、测试准确率达 91.7%；在光学图案生成任务上实现 94% 的保真度；理论计算吞吐量达 6,554 TOPS（每秒万亿次操作）。

曹子榆是华中科技大学博士生，师从张新亮教授和董建绩教授，主要研究方向是集成光学，她对 DeepTech 表示：“LAMP 不是仅完成单一功能的静态光学器件，而是通过训练可重新配置的三维光学计算平台。并且，它跑通了从二维输入、三维计算，再到可编程调控，最后到二维输出的完整链路。”

该技术有望应用于 AI 推理硬件，尤其是光电混合系统中计算密集、线性计算占比较高的部分。据研究团队预计，短期内他们可能先从专用推理任务探索技术应用的可能性，包括图像识别、模式生成、光场处理以及传感阵列分析。

光子芯片为何困在二维平面？

实际上，在透明材料内部用飞秒激光直写加工波导，已经有长期的技术积累。这项研究始于团队成员思考的一个问题：既然这项技术天然可以进入材料内部、构建三维结构，为什么很多设计最后还是回到了平面光子芯片的思路？

2023 年，康奈尔大学 Peter McMahon 教授在发表于 Nature Reviews Physics 的综述论文“The physics of optical computing”中 [2]，对光用于计算的多种物理特性的可能性进行了系统讨论。

“读完这篇论文后我很受触动，并意识到速度快只是光计算的优势之一，更重要的是，它有很多能够被调用的物理自由度。但在芯片级光计算中，尚未充分利用三维空间的维度。”曹子榆表示。

她进一步联想到，真实神经系统的连接原本也并非二维平面，因此物理形态的神经网络硬件或许可以在平面之外进行探索。

真正让这个想法落地的，是她看到 Optica 上一篇关于三维打印静态光学计算结构的论文。那项研究让她意识到，三维加工能力已经可以承载计算结构。于是，一个更进一步的问题浮现：如果静态三维光路能够计算，下一步能否做出可编程、可训练的三维光子神经网络？

因此，LAMP 的意义并不只是把光子芯片从二维拓展到三维，而是在验证一个更底层的问题：光在空间中的传播、耦合和重构，能否被系统地转化为可扩展、可训练、可制造的计算能力。

一块玻璃，如何变成 AI 芯片？

仅沿着二维平面设计，三维加工能力并不能得到充分释放，而玻璃最大的特点恰恰是能够在体积空间中组织光路。

从本质上来看，LAMP 是将三维空间从加工自由度变成计算自由度：在芯片尺度内，让光在体积空间中传播、耦合、调控，并形成可编程的计算网络。

（来源：Nature Communications）

之所以能够在保持芯片级集成的条件下，将三维空间自由度引入光子计算，主要分为以下三个研究阶段。

在架构设计阶段，采用二维阵列进行输入输出，中间多层级联的三维光子灯笼则为不同通道的光场发生耦合以及混合提供了保障。

在三维波导加工阶段，基于高精度三维位移控制，使激光焦点能够沿预设轨迹在玻璃体内移动，焦点经过之处能够形成可导光的波导。然后通过写入深度的改变，可以实现在不同 z 位置写入多层波导，最终形成三维光路。

（来源：Nature Communications）

最后是可编程调控阶段。与三维波导对应的是固定光学变换，因此还需要在芯片上制备相移器阵列，以训练和改变传输响应。三维灯笼和相移器的“强强联合”对可训练的网络而言缺一不可：前者提供混合能力，后者则为可编程自由度提供支持。同样芯片面积下，平面方案有效通道数是 N，LAMP 则是 N×M（注：M 代表层数或额外空间维度带来的扩展因子）。

得益于在真实芯片上相位配置的优化，能够训练同一芯片完成不同的任务。结果显示，MNIST 分类任务准确率为 93%，图案生成保真度则达到 94%，验证了这套训练和调控流程在三维芯片上的真实有效性。

从计算核心的规模潜力来看，这项研究未来仍有发展空间。在这项研究中，该团队使用了 64 个通道，理论计算吞吐量达到 6,554 TOPS。未来，当通道数和级联层数继续放大后，三维空间带来的并行组织能力有望进一步释放。

回忆这项研究的经历，曹子榆说，有点像过山车一样，既有兴奋也有挑战。“最让我兴奋的是 LAMP 想法刚出现时。那段时间我每天都在想这件事，晚上睡觉的时候都在琢磨细节。做这件事情并不容易，经验不够、资源有限，也没有现成路线可以照着走，但好在最后逐一克服了相关困难。”

图丨相关论文（来源：Nature Communications）

近日，相关论文以《可编程三维光子神经网络芯片》（Programmable Three-dimensional Photonic Neural Network Chip）为题发表在 Nature Communications[1]。华中科技大学博士生曹子榆和上海交通大学硕士生杜玒璟是共同第一作者，华中科技大学张新亮教授、董建绩教授以及上海交通大学唐豪教授、徐晓芸助理研究员担任共同通讯作者。

审稿人对该研究评价称：“这项工作将三维空间作为计算资源，为光学处理器开辟了一条新路径，能够更好地匹配视觉信息的自然维度以及光传播中丰富的物理特性。它的意义不仅在于将光子芯片从二维扩展到三维，更在于将内部空间转化为用于光学路由、耦合和空间混叠的计算自由度。”

下一代千通道芯片已启动验证

当下，晶体管微缩和传统互连越来越困难，因此未来 AI 硬件的提升未必局限于来自晶体管本身的方案。一部分适合光完成的互联和线性计算，有可能会放到更靠近数据、互连和封装的位置。LAMP 提供了一种技术的早期原型：当玻璃从被动基板变成可设计的三维光学空间，有望从系统互连平台延伸出一部分计算功能。

据了解，在产业界已有企业在探索类似 LAMP 的技术方向。例如，光计算公司光本位科技正在用玻璃代替硅作为衬底来研制玻璃光计算芯片。在结构、材料与制造上不断寻求突破，终级目标是将玻璃光计算芯片直接封装为超高性能全光计算系统。

“从技术路线看，光本位与我们有所不同：他们是聚焦单层玻璃芯片堆叠的方式；而我们是基于飞秒激光直写技术用三维玻璃光路重构 AI 系统中的互连与计算。这些探索共同说明，玻璃平台的价值正在从封装与承载，逐步延伸到光互连乃至光计算本身。”

据研究团队介绍，目前他们正在推进下一代千通道芯片加工，并与国内多家玻璃基封装和光电集成企业探索合作的可能性，进而将原型芯片推进到真实 AI 系统中。

参考资料：

1.Cao, Z., Du, HJ., Yuan, XJ. et al. Programmable Three-dimensional Photonic Neural Network Chip. Nat Commun (2026). https://doi.org/10.1038/s41467-026-72316-9

2.McMahon, P.L. The physics of optical computing. Nat Rev Phys 5, 717–734 (2023). https://doi.org/10.1038/s42254-023-00645-5

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成