然而，现有的光电智能打算技能间隔实际运用还面临着以下寻衅：（1）模型构架大略，现有的光学神经网络模型繁芜度较低，光学非线性实现较为困难，因此模型性能与电子的人工神经网络有较大的差距；（2）系统偏差难校正，光打算系统偏差大小和系统繁芜度成正干系，因此偏差校正算法对付构建大规模智能光打算系统至关主要，然而迄今为止尚缺普适性的偏差校正方法；（3）系统重构困难，现有光学神经网络构造难以重构，因此打算功能单一，而网络参数编程则依赖较为繁芜的光学效应，大规模参数的快速精准写入仍存在困难。

图一：光电智能衍射打算处理器的基本事理

针对上述寻衅，来自清华大学信息学院的戴琼海教授研究团队提出并构建了光电智能衍射打算处理器（Diffractive Processing Unit, DPU），能够有效地重构实现包含百万神经元的多类新型光电神经网络，通过自适应的在线演习算法实现了高性能的视觉分类任务，并验证了光电智能打算的优胜性。

DPU 的构架采取了光学衍射的物理征象，能够产生大规模的光学互联，从而助力构建高繁芜度的光学神经网络（图一）。
此外，该光学处理器事理充分利用了光的波粒二象性，神经网络权重的调度通过掌握光波传播的波前分布来实现，采取光电效应能够实现人工神经元的功能。
DPU 的运行过程光打算部分则险些承担所有的打算操作，采取高通量可编程的光电器件并结合电子打算的灵巧特性，能够实现高速数据调控以及大规模网络构造和参数的编程。
“在这项事情中我们定义了光电的衍射人工神经元，能够实现对衍射光场的线性加权求和以及非线性激活相应，这是构建繁芜光电深度学习系统的根本。
” 林星特聘研究员说到。

图二：DPU 实现手写数字识别（GIF 图片）

通过软件编程重构 DPU 实现了包括前馈和循环的多种类型的深度神经网络架构，每个神经网络都包含数百万个神经元，具备较高的模型繁芜度。
这些神经网络通过所提出的自适应在线演习方法校正系统偏差累积，从而优化实验打算性能。
这种自适应的演习方法通过丈量神经网络内部的状态实现对打算参数的实时调度，因此不依赖网络构造，能够普适于现有的光电智能打算系统。

图三：DPU 实现人类动作识别（GIF 图片）

将所构建的系统运用于分类和识别任务，并在深度学习的标准数据集上进行了性能验证，包括手写数字图像数据集（MNIST，图二）、时尚物品图像数据集（Fashion-MNIST），以及人类动作***数据集（Wetzmann 和 KTH，图三）。
光电智能打算模型性能首次超越了 LeNet-4 电子神经网络模型。
系统还能实现高速、高精度的人类动作识别。
运行同样的神经网络，光电打算系统与特斯拉 V100 图形处理器（GPU）比较，打算速率提高了 8 倍，系统能效提升超过一个数量级，核心模块打算能效则能够提升四个数量级。

（来源：戴琼海教授研究团队）

戴琼海教授指出，“当前光电智能打算技能的潜力还有待深入挖掘，未来利用超材料构建片上相控阵列，能够极大提升处理器的打算性能，而实现光电打算机的目标则须要多学科的交叉领悟。
” 未来已来，推动类脑光电子芯片的研发将极大促进人工智能的发展，将为大规模数据的实时智能处理，高速低功耗智能化无人系统，以及从十亿像素到百亿像素光场成像奠定根本，具备极为广阔的运用前景。

这项事情揭橥在 Nature Photonics 期刊上，周天贶博士研究生为该论文的第一作者，林星特聘研究员（清华脑与认知科学研究院、未来芯片技能高精尖创新中央）、方璐副教授（清华电子系）、戴琼海教授（北京信息科学与技能国家研究中央）为通讯作者。
事情得到了国家科技部和国家自然科学基金委果支持。