综述：光脑：光子人工智能的基础、前沿与未来

这篇综述系统阐述了光学神经网络（ONNs）作为计算范式的革命性潜力，通过光子的并行性、低延迟和低能耗特性突破传统电子神经网络（ANNs）的算力瓶颈，涵盖衍射深度神经网络、光子集成电路（PICs）等架构，并探讨了混合电光平台与超材料（MSs）在解决光学非线性激活等关键挑战中的应用前景。

　　

背景概念

光学神经网络（ONNs）通过模拟生物神经元结构，利用光的物理特性实现矩阵运算。其核心单元——光学神经元通过调制光的振幅、相位、偏振或角动量对输入信号加权，经激活函数输出。这种架构天然适配深度学习的层级变换，尤其擅长矩阵矢量乘法（MVM），其能耗可比电子系统降低数个数量级。

ONNs的演进历程

从20世纪80年代的自由空间光学系统（如Farhat的Hopfield网络光学实现）到2010年代硅光子学驱动的集成化芯片（如MIT的可编程纳米光子处理器），ONNs经历了从笨重实验装置到微型化器件的蜕变。近年混合电光系统通过光电转换层（如锗硅探测器）实现了电子控制与光学计算的协同，而超表面（MSs）的引入更使波长选择性滤波等功能可在亚波长尺度完成。

关键材料与技术

• •

  硅光子学：低损耗波导和微环谐振器（MRRs）构成可重构干涉仪阵列，实现MVM运算。

• •

  相变材料：硫系化合物（如Ge₂Sb₂Te₅）通过晶态转变提供光学非线性。

• •

  空间光调制器：液晶或数字微镜器件（DMDs）实现高速权重编程。

• •

  量子点探测器：提升近红外波段光电转换效率至90%以上。

应用场景突破

在自动驾驶领域，ONNs的微秒级延迟使实时多目标检测成为可能；医疗影像分析中，衍射ONNs通过THz波段穿透力实现无标记组织分类。更引人注目的是量子光学神经网络（QONNs），利用光子纠缠态求解组合优化问题的速度较经典算法提升指数级。

现存挑战与未来路径

光学非线性仍依赖高功率或长相互作用距离（如双光子吸收），制约集成度。解决方案包括等离子体激元增强（如金纳米颗粒阵列）和电光聚合物调制器。展望中，ONNs与拓扑光子学的结合可能诞生抗干扰的光子计算芯片，而类脑光子器件将推动脉冲神经网络（SNNs）的硬件实现。

结语

光子计算正从实验室走向产业界，其与电子系统的互补融合将重塑AI硬件生态。随着铌酸锂调制器带宽突破100 GHz和三维光子集成技术的成熟，ONNs或将在边缘计算、生物传感等领域率先实现商业化落地。