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

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

人工智能里的神經(jīng)網(wǎng)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(guī)則，必須靠手機或者電腦才能玩。

傳統(tǒng)的人工神經(jīng)網(wǎng)絡幾乎全部跑在電子計算機上仿真完成，也叫虛擬神經(jīng)網(wǎng)絡，計算速度快、通用性強，但也面臨兩大硬傷：一是內(nèi)存墻和功耗墻，數(shù)據(jù)在內(nèi)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(jīng)網(wǎng)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(tǒng)的數(shù)十至數(shù)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(jīng)網(wǎng)絡的訓練都靠反向傳播算法，就像老師改作業(yè)，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(jīng)典條件反射啟發(fā)，首次研制出無需電子參與、無需算法訓練、完全在光域內(nèi)實現(xiàn)自主學習的智能光子材料系統(tǒng)。相關研究發(fā)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(lián)想學習與光學系統(tǒng)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(jīng)典生物學機制真正貼合地融入光學神經(jīng)網(wǎng)絡，同時依托純光調控實現(xiàn)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(jīng)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(lián)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(fā)劑樹脂。“該材料原本被用于 3D 打印的雙光固化環(huán)節(jié)，我們發(fā)現(xiàn)它的光化學特性恰好適配光聯(lián)想學習的需求，便將其改造為光學神經(jīng)網(wǎng)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(chǎn)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(fā)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(fā)生不可逆的聚合反應，生成聚合物，此時樹脂在紫外光下發(fā)綠色熒光。

紫外光相當于搖鈴，綠光相當于給吃的，發(fā)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。

（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(fā)紅光變成發(fā)綠光，這就是樹脂的“聯(lián)想學習”。如果只照綠光、先照綠光再照紫外光，都不會發(fā)生聚合，樹脂只會發(fā)紅光，不會發(fā)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(fā)現(xiàn)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(fā)樹脂的聚合反應，形成穩(wěn)定的綠色熒光信號，實現(xiàn)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(lián)想學習框架。”

自上而下，重塑光學網(wǎng)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?shù)膶φ諏嶒灐?/p>

結果發(fā)現(xiàn)，僅有紫外光持續(xù)照射時，熒光切換極慢（超 1,500 秒），幾乎不產(chǎn)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(fā)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(fā)聚合反應，形成穩(wěn)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(qū)域就會發(fā)綠光，成功認出 N。V、Z 同理，實驗完全成功。

圖 | 聯(lián)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(shù)字識別。先把數(shù)字簡化成黑白小格子，再用同樣的聯(lián)想學習方法訓練，最后能準確認出數(shù)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(shù)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(xiàn)產(chǎn)業(yè)級的規(guī)模化應用，仍需進一步解決材料制備過程中的穩(wěn)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(chǎn)業(yè)需求實現(xiàn)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(jīng)網(wǎng)絡構建邏輯的根本性重塑。

傳統(tǒng)的光學神經(jīng)網(wǎng)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(xiàn)網(wǎng)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(shù)據(jù)驅動網(wǎng)絡學習，讓系統(tǒng)從整體角度建立刺激與響應的關聯(lián)，無需提前進行復雜的權重計算，實現(xiàn)了權重確定與物理硬件實現(xiàn)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(xiàn)了光學神經(jīng)網(wǎng)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(guī)模光學神經(jīng)網(wǎng)絡的研發(fā)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(tǒng)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(tǒng)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(wěn)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(xiàn)階段更亟待突破的局限，是系統(tǒng)僅實現(xiàn)了單層線性計算，缺乏非線性激活。現(xiàn)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(jīng)網(wǎng)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(fā)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(jīng)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(lián)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(wěn)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(jīng)網(wǎng)絡的發(fā)展提供了新方法，也為光學計算的未來發(fā)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(fā)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(fā)展趨勢。

“一方面，生物智能經(jīng)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(xiàn)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(tǒng)的智能實現(xiàn)路徑；另一方面，不僅是光學 AI，幾乎所有的發(fā)明創(chuàng)造，本質上都是對自然和生物機制的模仿與優(yōu)化，生物的結構和功能為人工系統(tǒng)的設計提供了最優(yōu)質的參考模板。

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

未來，張晗團隊將把實現(xiàn)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(yōu)化、工程化技術突破展開探索，持續(xù)推動光聯(lián)想學習框架向更復雜的應用場景拓展。

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=1191&id=1779754232620453889&language=0

運營/排版：何晨龍