编辑推荐：
计算机的时钟速率最终决定了连续操作或指令之间的最小时间间隔。尽管由于摩尔定律和日益并行的系统架构，电子计算机的性能呈指数级增长，但传统处理器的时钟速率近二十年来一直停滞在约5 GHz。这给需要实时处理或控制超快信息系统的应用带来了重大挑战。在此，研究人员通过提
计算机的时钟速率最终决定了连续操作或指令之间的最小时间间隔。尽管由于摩尔定律和日益并行的系统架构，电子计算机的性能呈指数级增长，但传统处理器的时钟速率近二十年来一直停滞在约5 GHz。这给需要实时处理或控制超快信息系统的应用带来了重大挑战。在此，研究人员通过提出并实验演示基于全光递归神经网络（all-optical recurrent neural network, AO-RNN）的计算，突破了这一瓶颈，利用了线性和非线性光学操作的超快特性，同时避免了电子瓶颈。该全光计算机完全在光学域中实现线性操作、非线性函数和记忆，其精度在高达80 GHz时钟速率下（取决于任务）超越了纯线性模型。研究人员实验演示了噪声波形分类的原型任务，并对集成光学微谐振器的孤子态进行了超快原位分析。研究人员进一步展示了该架构在基于量子涨落的生成式人工智能中的应用，即使在无输入光信号的情况下也能生成图像。研究结果凸显了全光计算通过利用超快线性、非线性、记忆功能以及量子涨落，超越数字电子学所能达到的潜力。
**论文解读：迈向100吉赫兹时钟速率的全光计算**
**研究背景与问题**
计算机的时钟速率决定了连续操作或指令之间的最小时间间隔，是衡量处理器速度的关键指标。尽管电子计算机性能因摩尔定律和并行架构而指数增长，但自2005年左右以来，传统中央处理器（CPU）的时钟速率一直停滞在约5 GHz。这一停滞源于两个主要瓶颈：器件层面，晶体管尺寸缩小导致Dennard缩放失效；系统层面，冯·诺依曼瓶颈日益突出。这使得电子计算机无法实时处理或控制皮秒或更快时间尺度的超快信息系统，例如高速光通信、超快成像和光谱学。光学计算，特别是全光计算，因其利用光子的超快特性，有望突破这一限制。然而，以往的光学计算方案在非线性函数和全光记忆方面存在局限，且多依赖电子器件进行中间步骤，仍受电子响应时间限制。因此，亟需一种可编程的全光计算机，其时钟速率超越当前电子计算机。
**研究内容与结论**
研究人员提出并实验演示了一种基于全光递归神经网络（AO-RNN）的计算架构，该架构结合了超快非线性光学（用于非线性操作）、干涉（用于线性操作）和有源光腔（用于光学记忆）。AO-RNN基于时分复用光子网络，信息以超短激光脉冲的相干振幅编码，有效时钟速率等于激光脉冲重复频率。实验使用商用光纤组件，工作波长为1.55 μm。研究人员通过多个任务验证了AO-RNN的性能：噪声波形分类、微梳双态孤子态分类、时间序列预测以及量子涨落驱动的图像生成。结果表明，AO-RNN在10至80 GHz时钟速率下（取决于任务）有效运行，远超当前电子CPU的约5 GHz时钟速率。在噪声波形分类任务中，AO-RNN在10 GHz时钟速率下达到97.5%的分类准确率，在80 GHz时钟速率下仍优于纯线性模型，展示了“非线性光学优势”。在微梳孤子态分类中，AO-RNN在低于100 ns处理时间内达到95.6%的准确率，实现了近实时原位分析。时间序列预测任务中，AO-RNN在10 GHz时钟速率下实现了低归一化均方误差（NMSE）。图像生成任务中，AO-RNN利用光放大器自发辐射的量子噪声作为种子，通过非平衡激光腔动力学生成MNIST手写数字图像。该研究发表在《Light-Science》上。
**主要关键技术方法**
研究人员采用了以下关键技术方法：（1）时分复用光子网络，将输入数据序列编码到超短激光脉冲的相干振幅上，有效时钟速率等于激光脉冲重复频率；（2）基于周期性极化铌酸锂（PPLN）波导的χ(2)非线性光学效应实现非线性激活函数，具有近瞬时响应；（3）有源光学腔（包含多臂马赫-曾德尔干涉仪）实现递归连接和光学记忆，通过电光振幅调制器编码权重；（4）使用多种光学频率梳（包括锁模激光器、电光频率梳和光学微梳）生成输入信号；（5）基于模型无关的前向训练算法，仅通过光学硬件进行前向传播，梯度下降在数字计算机上完成。样本队列来源包括：噪声波形分类任务使用电光生成的波形，微梳孤子态分类任务使用Si3N4集成耦合微谐振器产生的双态孤子，图像生成任务使用MNIST手写数字数据集。
**研究结果**
**全光计算机架构**
研究人员构建了基于递归神经网络（RNN）框架的全光计算机。RNN包含输入层、隐藏递归层和输出层，适合处理时序信息。AO-RNN通过时分复用网络实现，信息以超短激光脉冲的相干振幅编码，时钟速率等于脉冲重复频率。递归连接通过有源光学腔实现，线性操作通过多臂马赫-曾德尔干涉仪实现，非线性激活通过PPLN波导的χ(2)非线性过程实现。该架构完全在光学域中完成所有操作。
**噪声波形分类**
研究人员训练AO-RNN对四种噪声波形（锯齿波、三角波、方波、正弦波）进行分类。实验表明，分类准确率随时钟速率增加而下降：在10 GHz时钟速率下达到97.5%的峰值准确率（图3c），在50 GHz下为92%（图3d），在100 GHz下为58%（图3e），但仍远高于随机猜测（25%）。纯线性模型在10 GHz下仅达到62%的准确率，证实了非线性激活函数的重要性。AO-RNN在高达80 GHz时钟速率下仍优于线性模型，定义为“非线性光学优势”。准确率下降的原因包括：输入信号电光生成引入的相位噪声和定时抖动、PPLN相位匹配带宽（约100 GHz）限制、以及脉冲重叠导致的串扰。
**原生超快光信号**
研究人员使用AO-RNN对Si3N4微梳产生的双态亮孤子（单脉冲对、双脉冲对、三脉冲对）进行分类。输入信号为原生光学信号，无需电光转换。AO-RNN在低于100 ns处理时间内达到95.6%的分类准确率（图4c），最小延迟由主腔往返时间（约24 ns）决定。该结果展示了AO-RNN作为超快光学原位分析工具的潜力，可实现比传统光谱仪或自相关仪更快的测量。
**时间序列预测**
研究人员演示了AO-RNN对三角波和正弦波时间序列的一步预测。在10 GHz时钟速率下，预测值与目标值高度吻合，归一化均方误差（NMSE）分别低至0.0144和0.0094（图5）。由于输出测量受限于光电探测器带宽（约25 GHz），该任务未能测试更高时钟速率，但这不是AO-RNN的固有限制。
**量子涨落驱动的图像生成**
研究人员利用AO-RNN的递归层，通过光放大器自发辐射的量子噪声作为种子，生成MNIST手写数字“七”的28×28灰度图像（图6）。该过程将光腔视为高度非线性的激光腔，通过调节增益和腔内连接权重，在约100个腔往返后生成图像。虽然生成的图像质量有限，且仅能生成单一数字类别，但证明了全光生成式人工智能的可行性。
**讨论与结论**
论文讨论部分指出，当前AO-RNN的时钟速率受限于PPLN的相位匹配带宽（约100 GHz），但通过使用薄膜铌酸锂（TFLN）器件可实现更高性能（例如>13 THz的非线性激活函数和>100 GHz的电光调制器）。此外，更短的激光脉冲和集成光学参量振荡器可进一步降低延迟和提高时钟速率。全光计算机的时钟速率优势在于所有操作均直接在光学域进行，避免了电子瓶颈。尽管当前实验仅使用单通道，但结合并行光子处理技术可提升计算吞吐量。训练过程为混合光电系统，但推理过程为全光。与超导电路相比，AO-RNN在室温下运行且能处理复杂时序信息。最直接的应用是处理原生光学信号，如超快成像、光谱学、高速通信和激光雷达。结论部分强调，研究人员成功利用超快非线性光学开发了新型全光计算机，时钟速率在10至80 GHz之间，远超现代电子CPU的约5 GHz，为皮秒时间尺度的实时信息处理和反馈控制开辟了新途径。
