基于直接调制激光阵列的光子边缘计算：实现AI模型在资源受限终端的高效部署

为解决大型AI模型在边缘终端部署难的问题，南京大学研究人员创新性地提出基于直接调制激光阵列（DML）的光子边缘计算方案。通过8波长DML阵列（10 Gb/s/波长）实现10 km传输距离下的权重广播，达到4.3比特点积精度，在MNIST和FashionMNIST数据集上分别取得97%和92.4%的分类准确率，为资源受限设备提供高效光学解决方案。

　　

随着ChatGPT、DeepSeek等大型AI模型的爆发式发展，其海量参数导致的边缘终端部署难题日益凸显。传统电子计算受限于内存带宽和功耗，难以在智能手机等设备上实现实时推理。南京大学电子科学与工程学院的研究团队独辟蹊径，利用光学技术的高带宽、低延迟优势，在《Optical Materials: X》发表的研究中提出革命性的光子边缘计算架构。

该研究采用重建等效啁啾（REC）技术制备8波长直接调制激光阵列（DML），通过波长分复用（WDM）在O波段（零色散区±3 ps/km·nm）实现权重矩阵的时空编码。服务器端周期性广播DNN权重库，终端采用马赫-曾德尔调制器（MZM）解调，完成向量点积运算。实验构建了两层全连接神经网络（含ReLU和Softmax激活函数），通过反向传播（BP）算法优化参数。

Device’s Design and fabrication
创新采用REC技术克服电子束光刻的相位误差问题，实现布拉格波长±0.05 nm的精确控制，DML阵列在10 Gb/s速率下展现优异线性度（SFDR>110 dB·Hz^2/3）。

Experimental implementation of edge computing
在10 km单模光纤传输后，系统实现4.3比特点积精度，MNIST分类准确率达97%，显著优于传统射频方案（典型值<8比特时误差率>5%）。

Conclusions
该方案将终端有源器件减少80%，功耗降低至毫瓦级，为5G/6G时代的云端协同AI部署提供新范式。研究获国家自然科学基金（62404098）等支持，其光学权重广播机制可扩展至Transformer等新型架构，未来有望在智能物联网（AIoT）领域实现突破。