综述：面向类脑智能的光子神经形态计算系统

《PhotoniX》：Toward brain-inspired intelligence: a review of photonic neuromorphic computing systems

　　

受大脑关键要素和原理的启发，光子神经形态计算在构建具有高并行性、低延迟、低功耗和自学习能力的新一代智能处理系统方面展现出巨大潜力。本综述在总结该领域重大进展的同时，深入探讨了光子神经形态计算系统如何支持新一代智能信息处理。具体而言，研究人员讨论了新兴材料与器件，这些材料与器件支持更紧凑的高效物理架构集成。光子脉冲神经网络和储备池计算等架构，以及相关的学习范式，呈现出协同发展的趋势。随后，研究人员介绍了有前景的应用场景，其中神经形态计算系统提供了宽带和多域感知与处理能力。最后，研究人员讨论了关键挑战和未来方向。本综述旨在为广泛领域的研究人员提供清晰而全面的概述。研究人员希望以“神经形态”的方式呈现这些见解，以揭示为何向大脑学习变得日益重要，尤其是在克服传统冯·诺依曼架构和面向数据密集型人工神经网络的效率瓶颈方面。

高效物理架构是神经形态计算的关键。高效物理架构将计算原语与平台物理特性对齐，而无需付出高昂的控制功耗或时空资源代价。在生物神经网络中，信息主要以稀疏脉冲序列的形式编码和传输，确保了效率与选择性。神经元活动通过胞体与突触的相互作用进行处理，突触负责执行线性加权求和，胞体则作为非线性处理单元施加复杂激活函数。神经元相互连接形成神经网络，可实现复杂矩阵乘法与非线性映射。本节从模拟神经元和突触基本功能的基础光子神经形态元件出发，进而展示如何将这些器件组装成集成且高效的光子神经形态架构，涵盖光子脉冲神经网络（PSNN）和光子储备池计算（RC）等关键架构级实现。

### 基础材料与器件

架构的演进依赖于底层组件技术的协同进步。关键发展依赖于新兴材料与器件的协同优化，以实现高效非线性光学响应，同时通过器件级工程同步提升性能、降低能耗并缩小物理尺寸。本节详细描述用于神经形态计算的基础材料与器件，包括半导体激光器、谐振隧道二极管（RTD）、微环谐振器（MRR）、相变材料（PCM）和二维材料，其共同目标是实现全集成的高效光子芯片。

基于半导体激光器的光子脉冲神经元方面，半导体激光器固有的非线性和可激发性为模拟生物神经元关键特征提供了丰富的物理基础。2010年，Hurtado等人利用1550 nm垂直腔面发射激光器（VCSEL）中的偏振开关产生可控光脉冲，建立了基于双稳态偏振态的首个光子脉冲神经元。随后研究进一步阐明了理论框架，演示了级联类神经元动力学，扩展了包括相位和强直反应在内的脉冲行为，并探索了全光抑制动力学和高维编码。另一个主要研究方向涉及双段增益与可饱和吸收体（SA）可激发激光器，此类激光器通常由增益段和SA及反馈镜组成，SA充当阈值检测器。近期工作聚焦于集成SA的法布里-珀罗（FP）激光器和分布反馈（DFB）激光器，展示了相干神经计算、可重构功能以及超快、节能的片上操作。值得一提的进展是基于量子点激光器的电注入分级神经元，其通过向SA段注入输入信号，规避了不应期限制，实现了模拟分级响应并支持高达10 Gbaud的高速信号处理。此外，基于注入锁定激光器和微柱激光器的研究也取得了重要进展。2018年，Peng等人在磷化铟光子集成回路平台上实现了可激发激光神经元原型，该器件与标准工艺设计套件兼容，可通过调节偏置电流精确控制其动力学响应区间。

基于谐振隧道二极管的脉冲神经元方面，RTD是一类具有负微分电阻和超快非线性响应的量子限域半导体器件。RTD利用量子隧穿效应实现可激发动力学，直接将光或电刺激转换为类脉冲电输出。RTD与VCSEL、光电探测器等光子元件单片集成，催生了混合光电子脉冲神经元。2021年，Hejda等人通过将RTD与VCSEL耦合，实验实现了人工光电子脉冲神经元，确认了确定性可激发性、不应期和GHz速率发放能力。2021至2024年间，该团队进一步演示了基于RTD-VCSEL耦合的人工光电子脉冲神经元，验证了逻辑运算、时空模式分类和脉冲幅度控制。最近，集成光电探测RTD的谐振-发放光电脉冲神经元实现了亚纳秒脉冲产生，证实了无源RTD基神经形态光子学的成熟度。

基于微环谐振器的光子神经元-突触方面，MRR利用高Q值光学限域和非线性共振效应在芯片尺度执行模拟信号处理。MRR的波长选择性和非线性传递特性可实现可激发性和漏电积分-发放（LIF）行为。2012年，Van Vaerenbergh等人在硅MRR中演示了级联可激发性，建立了首个能产生类脉冲响应的无源非线性节点。2018年，Denis Le Coarer等人报道了采用硅MRR作为非线性处理单元的全光储备池计算系统，证实无源MRR可模拟LIF等神经元动力学。2021年，Borghi等人将这一概念扩展至时间多路复用硅MRR储备池计算，强调了无源MRR神经元在二值和模拟运算中的可扩展性。同年，Huang等人演示了硅光子-电子神经网络，利用MRR权重库进行高精度深度学习推理，成功补偿了10,080 km海底光纤系统中的光学非线性。Zhang等人则表明硅MRR突触可实现超过9位精度的光子深度学习，通过多通道抖动控制将权重误差降低，精度提升2位。Wu等人基于Ge/Si混合MRR实现了阈值低至0.74 mW的全光非线性激活函数。Xiang等人通过改进耦合模理论模型，提出了全光硅MRR脉冲神经元，实现了亚纳秒脉冲产生。2024年，Tamura等人设计了单片绝缘体上硅谐振器脉冲神经元，实现了约1.1 GHz速度的II类可激发性，静态功耗12.8 mW。

基于相变材料的光子突触方面，以Ge₂Sb₂Te₅（GST）为代表的PCM具有超快开关和模拟电导调制特性，适用于模拟突触权重更新和神经元发放阈值。PCM与MRR的集成实现了紧凑节能的器件。2018年，Chakraborty等人演示了嵌入式GST的MRR积-发放（IF）光子脉冲神经元，其平均写入能量和读取能量远低于电域PCM器件。2019年，同一团队利用GST建立了紧密集成神经元核心的非易失性突触阵列，通过200 ps脉冲验证了系统运行，确认了大规模光子脉冲神经网络的可行性。2021年，Zhang等人提出了基于定向耦合器结构并集成GST岛的全光突触，通过改善权重线性度和精度，手写数字识别准确率从50%提升至91%。此外，PCM的结构转变还被用于可编程超表面，Wu等人将相变超表面集成到波导上，实现了多模光子卷积神经网络，直接在光学域内执行复杂矩阵运算。

基于二维材料的光子突触方面，二维（2D）材料包括石墨烯、过渡金属二硫化物和范德华异质结构，具有原子级厚度、可调电子特性和优异机械柔性。2010年，Jo等人演示了纳米级忆阻器模拟突触行为，建立了固态人工突触。2020年，He等人在双栅极人工突触中实现了亚10 ns开关和约7 fJ/脉冲能量。同年，Huh等人综述了2D层状材料用于忆阻突触的潜力，Liu等人将2D材料置于下一代计算背景中，强调其无悬挂键表面。2021年，Tang等人报道了全2D浮栅人工突触，具有约3000个线性权重态、40 ns速度和18 fJ能量。Xiang等人引入了介质工程2D神经形态晶体管，实现了91%的MNIST识别率，证明了与CMOS工艺兼容的可扩展性。Sun等人实现了超低开关电压。2022年，Park等人引入了具有石墨烯浮栅的五边形PdSe₂突触器件，实现了超低能耗。2023年，Xue等人将MoS₂突触阵列与CMOS神经元集成，在稀疏网络上达到98.8%字符识别准确率。同年，Balashov等人提出了基于纳米晶金属氧化物膜的光刺激自适应突触。2024年，Li等人引入了基于CrSBr的双端忆阻器，实现了快速、持久、多态电阻调制，并复现了短时和长时可塑性、双脉冲易化和脉冲时序依赖可塑性。

### 片上光子神经形态架构

片上集成光子计算利用先进光刻纳米制造技术，在硅、氮化硅或铌酸锂平台上制备波导、马赫-曾德尔干涉仪（MZI）、多模干涉仪（MMI）和MRR等器件。2016年，Tait等人报道了使用MRR权重库的集成广播-权重架构，在模拟波分复用（WDM）网络中配置连接强度。该团队进一步演示了包含物理反馈回路的光子递归神经网络，建立了与连续时间递归神经网络的数学同构，并实验验证了求解常微分方程组时相对先进CPU约300倍的理论计算加速。2022年，Ohno等人演示了基于MRR的交叉阵列，支持推理和片上训练，通过直接转置矩阵运算避免了复杂重构。2023年，Youngblood等人引入了时间多路复用相干交叉阵列，将矩阵元素动态编码到光波形的时域幅度和相位中，结合平衡零差相干探测，实现了340 TOPS/W的理论能效。2024年，Moralis-Pegios等人基于电吸收调制器实现了相干光子交叉架构，通过硬件感知校准算法在单片硅光子芯片上实现了任意线性变换的99.997%保真度。

2017年，Shen等人提出了基于奇异值分解（SVD）的光子矩阵乘法架构，在硅光子集成电路上演示了56个可编程MZI的级联阵列，实现了4×4矩阵乘法，并在元音识别任务中验证了片上光子神经网络的计算性能。该团队进一步演示了支持1 GHz下64×64矩阵乘法的全集成光子加速器。2021年，Zhang等人提出了基于级联MZI的光学神经网络，支持复值运算。2024年，Chen等人提出了用于多模通信的可编程光子集成MZI网格。

基于干涉的片上光子神经形态架构是另一新兴技术路径。2020年，Qu等人通过伴随优化方法设计了纳米结构光学散射单元（OSU），在亚波长分辨率下调控MMI耦合区折射率分布，支持相干和非相干矩阵乘法，占地面积仅4×4 μm²。2023年，Meng等人演示了基于MMI的紧凑可线性扩展并行卷积架构，结合WDM和多模干涉耦合，同时支持三个2×2实数卷积核，具有5位乘累加（MAC）精度和4.84 pJ/MAC能效。2025年，该团队进一步提出了光学卷积架构设计，通过利用波长、时间和空间维度，实现了92.86%的数据利用率和最高10.51 TOPS的理论计算吞吐量。

片上架构展现出高集成潜力和计算密度，但扩展到更大网络规模仍面临功率分配损耗、串扰和信号动态范围限制，且当前实现主要局限于线性运算，片上非线性处理仍有很大发展空间。

### 片上光子脉冲神经网络

PSNN利用事件驱动、基于脉冲的信息处理，为超快和节能神经形态计算提供了有前景的路径。2019年，Feldmann等人演示了由WDM架构支持的单片集成PSNN，该架构将突触加权与神经元发放解耦，创新性地集成非易失性PCM突触和MRR基神经元，实现了全光、生物合理的脉冲动力学，消光比9 dB，单脉冲能量430 pJ。2021年，Inagaki等人利用耦合简并光参量振荡器（DOPO）构建了光子脉冲网络，通过支持512个DOPO脉冲的时间多路复用1 km光纤环腔，实现了240个神经元，模拟了I/II类脉冲动力学并解决组合优化问题。2023年，Xiang等人基于法布里-珀罗激光器结合可饱和吸收体，开发了单片集成平台，天然模拟时间积分、阈值和不应性等基本神经元动力学，并结合时间多路复用编码方案实现了多层PSNN的硬件-算法协同设计。2024年，Y. J. Lee等人提出了单片集成光电子脉冲神经网络，其中CMOS控制电路动态驱动VCSEL源，以1 GSpike/s速度工作，通过四个偏置参数精确调控脉冲阈值、速率和正反馈，结合MZI突触网络实现了可编程脉冲模式生成，能效为1.18 pJ/脉冲。

### 光子储备池计算

光子RC被视为PSNN的一种变体，因其架构简单而备受关注。光子RC无需对单个光器件进行大量训练和复杂配置，即可高效执行非线性变换并提取输入数据特征，降低了系统设计和物理构建的复杂度。

片上光子RC主要包括空间（基于节点）RC和延迟RC两种架构。空间RC通过集成空间分布的非线性节点构建。2014年，Vandoorne等人在绝缘体上硅平台上开发了16节点无源光子RC芯片，实现了2位异或运算和12.5 Gbit/s数据包头部识别。2018年，Katumba等人提出基于多模Y结的集成光子RC系统，构建了16节点涡旋拓扑储备并扩展至36节点，缓解了传统空间RC中光损耗对节点可扩展性的限制。2023年，Masaad等人提出基于氮化硅的无源集成光子储备架构，采用16节点四端口设计，结合Kramers-Kronig接收机实现了64 Gbaud 64-QAM信号的非线性均衡。2024年，Wang等人提出了基于新一代RC范式的简化光子RC架构，处理速度超过60 GHz，COVID-19图像分类准确率达92.3%。

延迟RC通过时间采样的反馈信号生成虚拟节点，无需复杂多节点互连。2022年，Hülser等人挑战了延迟时间与输入时钟周期必须预设关系的传统观念，证明独立选择参数可增加调谐自由度，并验证多延迟系统可填充记忆容量缺口并匹配任务特定记忆需求。2024年，Guo等人开发了用于光子RC神经元的集成四通道DFB激光器阵列芯片，具有固定反馈延迟环，同时优化了耦合激光器阵列结构的紧凑性和可扩展性。2025年，Zhang等人结合激光混沌动力学模型实现基于知识的光子RC，将基于知识模型的一步预测与真实混沌时间序列数据混合作为输入，训练数据减少50%，预测精度提高15%。

自由空间光子RC利用光的衍射或干涉特性克服片上集成对节点数的限制。2018年，Bueno等人基于空间光调制器（SLM）和衍射光学元件构建网络，将节点数扩展至2025个，首次验证了自由空间RC的大规模潜力。2023年，Eliezer等人提出基于可重构多次散射腔的可调非线性光学映射方案，通过腔中多次光散射实现散射势与出射光之间的非线性映射，可广泛调节有效非线性阶数。2024年，Yildirim等人提出非线性光线性处理（nPOLO）框架，利用由SLM和反射镜组成的单程多反射腔，无需任何非线性材料或光电子转换即可同时实现可编程线性和非线性变换。同年，Wanjura等人提出基于双向散射网络结构的光子储备池计算方案，通过在神经元中编码数据和参数来产生所需非线性依赖，支持快速处理与训练。

### 光子神经形态系统的核心算法与训练技术

算法优化对光子神经形态计算至关重要，可在器件、阵列和架构层面提高硬件利用率，并避免复杂昂贵的互连拓扑。离线训练是早期主导方法，典型过程是在电子平台上通过传统反向传播（BP）算法计算梯度和优化参数，然后映射或加载到光学系统进行推理。2017年Shen等人演示了使用离线训练权重的相干纳米光子电路，2018年Lin等人实现了电子BP优化的全光衍射神经网络，2021年Feldmann等人基于离线训练集成了光子张量核。2025年Sun等人在大规模光子卷积加速器上使用离线随机梯度下降和反向传播，MNIST准确率达95.2%。然而离线训练无法补偿硬件漂移和环境波动引起的模型失配。

混合光电训练框架中，光网络执行前向传播，电子系统计算梯度和更新参数。2020年Gu等人提出粗梯度近似和酉投影方法，实现低精度控制下光子神经网络的高效训练。Zhou等人利用光学互易性提出光学误差反向传播方法，直接在光学域传播误差信号，实现片上梯度计算。2023年Yuan等人提出DANTE算法，用可微函数替代衍射，训练速度提高200倍，精度提升10%。2024年Zhan等人引入物理感知解析梯度框架，通过数字-光子协作计算解析梯度，克服硬件不可微性。2025年Xiao等人提出残差校准策略，单次迭代即可将低精度光学乘法校正至数字水平。

原位全光训练直接在光子硬件中优化权重，利用光学互易性沿相同光路进行反向误差传播。2018年Hughes等人提出伴随变量法（AVM），利用干涉测量进行片上梯度获取。2023年Pai等人在硅光子干涉仪上演示了原位反向传播，片上梯度测量精度约94%。Zhang等人利用VCSEL-SA非线性开发了基于BP的监督学习算法，构建多层PSNN，并实验演示了基于脉冲的原位学习。2024年Cheng等人开发了具有原位更新的五层可调衍射片上神经网络，多模态分类准确率85.7%。

无梯度优化方法无需显式梯度计算，利用强化学习、进化搜索、扰动反馈或时序依赖可塑性规则，直接从物理性能指标学习。2022年Shao等人将遗传算法与随机梯度下降结合，在参数扰动下实现稳健收敛。2023年Tang等人引入深度Q网络驱动的强化学习框架。2024年Bandyopadhyay等人使用专用更新策略在光子芯片上进行前向训练，元音分类达92.5%。Xue等人利用光学对称性和洛伦兹互易性开发了全前向模式学习。Zhao等人提出了基于梯度的无模型优化算法。2025年Skalli等人开发了模拟退火启发的原位训练方案，用于三值权重光网络。

脉冲时序依赖可塑性（STDP）是一种无监督学习机制，突触前脉冲先于突触后脉冲时增强连接（长时程增强，LTP），反之减弱（长时程抑制，LTD）。2019年Tavanaei等人将BP中的梯度下降与STDP规则集成，在多层脉冲神经网络中实现监督学习。Xiang等人利用激光模式竞争现象模拟神经元和突触动力学，设计了基于VCSEL和垂直腔SOA的通用SNN，解决了异或运算问题。2023年Ma等人通过噪声注入模拟生物神经活动的随机性，实现了GHz速率随机光子脉冲神经元，在乳腺癌诊断中误诊率相比传统确定性光子脉冲神经网络降低80%。Amiri等人开发了脉冲簇时序依赖可塑性规则。2025年Wang等人演示了基于PCM的非易失性多模态光子器件，实现四种STDP学习规则，手写数字分类准确率达94.07%。

胜者全拿（WTA）机制是一种生物启发的无监督竞争学习原则。2018年Santana等人将卷积递归神经网络（ConvRNNs）与WTA结合用于高维无监督特征学习，通过横向抑制实现稀疏激活。2024年Goupy等人引入了神经元竞争组（NCGs）用于基于脉冲的分类，结合监督STDP和类内WTA，提出双隔室阈值方案以平衡竞争，学习到的权重形成不同簇，捕获多个类特定模式。

### 新兴应用

光子神经形态计算系统可在多个域编码宽带输入信号。感知是智能信息处理的第一阶段，其带宽和延迟设定了系统的响应上限。

视觉感知方面，传统系统使用CMOS图像传感器阵列。光子神经形态系统提供了前所未有的带宽、速度和适应性。Ouyang等人受太平洋鲑鱼视觉系统启发，设计了基于背对背光电二极管阵列的光谱自适应视觉传感器，具有线性动态范围超过80 dB，工作频率高达100 kHz。Gao等人开发了基于激光脉冲神经元的光子脉冲神经计算系统，实现超高速视觉避障，峰值发放率高达5 GHz。Lupi等人开发了基于CVD生长的WS₂单层的二维发光器，利用光致发光（PL）的适应性实现全光神经形态计算，模拟生物突触的“增强-抑制”动力学。

声学感知方面，Basiri Esfahani等人提出并实验验证了基于腔光力学的片上声学传感器，在1 kHz–1 MHz范围内噪声等效压力为8–300 μPa/Hz^1/2，线性动态范围超过120 dB。Li等人利用双Kerr孤子微梳实现分布式声学传感，重复率约110 GHz，频率偏移约200 MHz，灵敏度提升约10倍，抑制了相干衰落。Tan等人提出芯片级仿生声学感知系统，集成片上微梳、硅光电子和仿生光纤麦克风阵列，支持超过100个传感通道并行询问，灵敏度达29.3 nPa/Hz^1/2，定位精度亚厘米。

触觉感知方面，Ward-Cherrier等人提出了集成神经形态光学触觉传感器（neuroTac）与拟人机械手的处理系统，产生高效的基于脉冲的触觉表征。Brayshaw等人将neuroTac与脉冲神经网络结合，实现运动不变纹理分类和运动轮廓提取，准确率分别达95%和83%。He等人开发了人工视觉-触觉感知系统，通过机械发光材料层将机械刺激转换为光信号，调节光电子突触权重，单次突触事件能耗约20 pJ，并可模拟从短时记忆到长时记忆的转变，与视觉融合后图像识别准确率约70%。

射频信号处理方面，Ma等人提出基于频率梳的光子神经形态计算系统，将光频梳注入分布反馈激光二极管，直接在频域进行特征提取和模式识别，15个梳齿神经元并行响应6、9和12 GHz频段附近的15个RF音调，只需单次读出，增强了实时性。Davis等人提出全模拟光子计算系统，直接处理原始RF信号，通过光电乘法在频域执行矩阵-向量积，在15 GHz带宽下延迟降低7–11倍。Ito等人利用光子储备池计算的时空编码能力，基于集成硅体育场形光学微腔，实现了近一个数量级的带宽扩展，使约1 GHz的光电探测器能以0.083的归一化均方误差重建10 GHz光相位信号。

### 挑战与未来方向

多维感知与计算核心的适应性方面，光子神经形态计算通常只能处理一种或少数几种感知模态，缺乏整合各感知维度信息的能力。未来应集成更多传感器与光子计算核心，开发不同传感信号格式的编码方案，提高感知与计算部分的适应性。

关键器件性能差距方面，器件能耗和尺寸过大，限制了系统可扩展性。电子子系统可能消耗系统总功率的15%以上。器件制造非理想性需要复杂算法校准，例如PCM突触的非线性对制造一致性提出严格要求。未来高效低阈值激光器、片上净增益调制器以及AI辅助光子集成电路设计自动化可能缩小这些差距。

计算架构关键指标权衡方面，速度、效率、精度和面积等指标紧密耦合，难以同时最优。计算精度通常与系统规模成反比，信号噪声比随级联退化。先进电光调制器支持100 GHz带宽，但后端ADC较慢且昂贵，造成吞吐率瓶颈。未来前向设计方法需协同优化延迟、功耗、规模和精度，异构计算范式可能为充分利用光学高通量能力提供路径。

迈向光子神经形态计算优势方面，虽然已提出一些光子AI加速器和NP难问题求解器，但光子神经形态计算在特定应用上的潜力仍需进一步实验验证。例如自动驾驶可利用其超快响应低延迟优势，智能机器人可受益于积-发放计算逻辑的低功耗传感与控制，脑机接口则因其与生物对应物具有相同的神经信号格式而具有吸引力。未来需加大力度开发和演示光子神经形态计算的应用，以吸引材料科学、集成技术和计算机架构领域的更多关注与见解。