Nature正刊：微软融合3D光学＋模拟电子打造高效模拟光学计算，实现AI推理与组合优化双突破

Microsoft英国剑桥研究院在Nature正刊上发表了一项重磅研究，提出了一种高效模拟光学计算机（AOC），通过融合模拟电子与三维（3D）光学技术，在单一平台上实现AI推理与组合优化的加速。AOC基于快速定点搜索机制，无需数模转换且提升噪声鲁棒性，可运行具有递归推理能力的计算密集型神经模型，并实现先进梯度下降法用于优化任务。

研究团队通过图像分类、非线性回归、医学图像重建、金融交易结算四大案例验证了其有效性，且基于可扩展消费级技术(MicroLED、SLM、CMOS探测器与模拟电子)，为高速低耗计算提供新路径，能效预计达500 TOPS/W，较主流GPU提升超100倍。

原文链接：https://www.nature.com/articles/s41586-025-09430-z

之前微软在其官网上做过宣传和介绍，当时也写过一篇推送来着：

微软：基于μLED＋CIS的模拟光学计算实现加速计算

◆ 核心技术架构

① 定点抽象：数学基础与硬件映射

AOC的核心是通过迭代定点搜索统一AI推理与组合优化，其数学抽象基于离散迭代更新规则（连续运行时无时钟约束）：

s(t+1)=α(t)st+βW f(st)+γ(st-s(t-1))+b

其中，st为连续实值状态向量，对应硬件中“光-电双域信号”——光学域通过microLED光强编码，电学域通过光电探测器电压表征；α(t)为退火调度（控制状态幅度衰减，类似残差连接），β为矩阵-向量乘积缩放因子，γ引入动量项（对应二阶微分动力学，突破Hopfield网络等一阶模型局限），W为权重矩阵（存储神经网络权重或优化问题系数），f(·)为元素级非线性函数（AI推理用tanh，优化任务中二进制变量用符号函数、连续变量用线性函数），b为偏置向量。

在硬件映射中，该迭代通过“光学矩阵-向量乘法+模拟电子非线性/控制”循环实现，单次迭代耗时约20ns，多次迭代后收敛至定点（信号幅度稳定），最终仅需一次数字读取，最大化模拟计算占比。

② 光学子系统：关键组件与工作原理

光学子系统负责高效实现矩阵-向量乘法，核心组件包括microLED阵列、偏振分束器（PBS）、空间光调制器（SLM）、4F成像系统、光电探测器阵列，其设计突破传统平面光学局限，通过3D光学实现并行化与可扩展性。

（1）核心组件与参数

- microLED阵列：作为光学信号源，编码状态向量st。采用GaN晶圆制备，16个独立寻址单元（当前硬件规模），单个microLED直径50μm、间距75μm，发射光谱中心520nm（半高宽35nm），其-3dB带宽随驱动电流提升：5mA时60MHz、20mA时200MHz、40mA时350MHz。零值对应偏置电流，正值通过增大电流、负值通过减小电流实现，光强与电流呈非线性关系，通过25Ω串联电阻补偿。

- 偏振分束器（PBS）：实现“双光路分离”——将microLED的非偏振光分为水平/垂直偏振，分别对应正/负权重乘法，避免单SLM处理正负值的精度损失，同时提升光利用率。

- 空间光调制器（SLM）：存储权重矩阵W，采用反射式平行排列向列相液晶器件，像素间距8.5μm、填充因子92%，通过8位查找表（LUT）线性化灰度-光强响应。正权重加载于SLM1（水平偏振光路），负权重加载于SLM2（垂直偏振光路），每个矩阵元素对应12（高）×10（宽）个SLM像素。

- 4F成像系统：实现“扇出-调制-扇入”功能，核心为球面光学元件（避免传统斯坦福方法中圆柱透镜的成本与精度问题）。

- 扇出阶段：通过高数值孔径物镜（Thorlabs TL10X-2P，NA=0.5、放大10倍）收集microLED光，结合消色差双胶合透镜组（焦距77mm）与圆柱透镜，将每个microLED成像为SLM上的“水平长线”（仅x方向失焦），确保单个microLED光覆盖SLM一行像素（实现行级乘法）。

- 扇入阶段：通过另一组消色差双胶合透镜（Thorlabs AC508–150-A-ML与AC508–080-A-ML）将SLM列像素光汇聚至单个光电探测器，实现列级求和（完成矩阵-向量乘法的“累加”步骤）。

关键优势：4F系统使不同光路的光程差平衡至“光学系统像差水平”（通常为几个波长），大幅降低传播时延差异对计算速度与精度的影响。

- 光电探测器阵列：将光学信号转换为电学信号，采用硅基探测器，单个活性区域3.6×0.075mm²、间距0.125mm，工作带宽490MHz@-10V（600nm波长），每路信号经跨阻放大器（Analog Devices MAX4066，25kΩ增益、输入参考噪声3pA/√Hz）放大后传入模拟电子子系统。

（2）工作流程

1. microLED阵列根据状态向量st输出对应光强，经PBS分为两路偏振光；

2. 两路光分别入射至SLM1（正权重）与SLM2（负权重），完成“光强×权重”的元素级乘法；

3. 4F系统将SLM列像素光汇聚至光电探测器阵列，实现列求和，得到光学矩阵-向量乘法结果；

4. 光电探测器将光信号转换为电压信号，传入模拟电子子系统进行后续处理。

③ 模拟电子子系统：非线性与控制功能

模拟电子子系统负责实现定点迭代中的非线性、退火、动量等功能，核心电路包括可变增益放大器（VGA）、差分放大器、tanh非线性模块、开关与缓冲器，采用商用SMT元件（规模化后计划替换为模拟ASIC以缩小体积、降低功耗）。

- 非线性模块：通过双极差分对实现tanh近似，AI推理中输入域无硬件限制（依赖训练权重确保信号精度），优化任务中通过调整跨阻放大器增益，使连续变量对应tanh线性区、二进制变量对应饱和区，实现变量类型区分。

- 退火与动量控制：退火调度α(t)通过外部波形发生器生成线性衰减信号，经VGA注入电路；动量项通过“VGA+电容微分电路”实现，反馈前一时刻状态与当前状态的差值，增强局部极小值逃逸能力。

- 信号调节：差分放大器实现正/负光路信号的减法（得到带符号电压），VGA用于平衡通道增益（通过93组参考矩阵校准，使矩阵-向量乘法的平均MSE达5.5×10⁻³），电子开关（ADG659）控制反馈环路的通断，实现迭代启动与重置。

◆ 核心创新点

① 单平台统一AI推理与组合优化

现有非常规计算系统多仅支持单一任务（如光子芯片侧重AI、量子退火器侧重优化），AOC通过定点抽象实现双任务统一：

- AI推理场景：针对深度平衡网络（DEQ）等迭代模型，定点对应网络收敛后的隐藏层状态，无需存储中间激活（通过隐函数定理计算梯度，降低训练内存开销），支持递归推理与动态深度调整，在序列建模与生成扩散模型中潜力显著；

- 组合优化场景：针对二次无约束混合优化（QUMO）问题，定点对应目标函数极小值，通过梯度下降+退火+动量加速收敛，可直接处理二进制/连续变量与线性约束，无需问题分解。

② 全模拟架构消除数模转换开销

传统混合架构（如“光学乘法+数字非线性”）需频繁进行模拟-数字（ADC）与数字-模拟（DAC）转换，能耗占比超50%。AOC实现“光-电全模拟循环”：

- 矩阵-向量乘法（光学）、非线性/退火/动量（模拟电子）均在模拟域完成，仅在收敛后进行一次ADC读取，避免转换能耗与时延；

- 模拟电子子系统采用“存内计算”设计，信号在模拟域保持至收敛，无数据搬运开销，突破冯·诺依曼瓶颈。

根据测算，该架构可减少99%以上的数模转换能耗，是AOC能效达500 TOPS/W的核心原因之一。

③ QUMO formulation突破QUBO局限

现有优化硬件（如D-Wave量子退火器、富士通数字退火器）多基于二次无约束二进制优化（QUBO），处理实际约束问题时存在显著映射开销：

- QUBO需将连续变量通过二进制/Unary编码转换为10-100个二进制变量，且线性不等式约束需引入大量惩罚项；

- AOC提出的QUMO（二次无约束混合优化）支持二进制与连续变量共存，处理线性不等式约束仅需1个连续松弛变量，映射效率提升1-2个数量级。

例如，金融交易结算问题中，QUMO可直接建模30项约束（转换为8变量实例），而QUBO需扩展至80-800变量；医学图像重建中，QUMO可联合优化“像素值（连续）+稀疏性控制（二进制）”，无需变量分解。

④ 3D光学与模拟电子的协同设计

AOC突破传统平面光学的规模限制，通过3D光学与模拟电子的协同实现可扩展性：

- 3D光学优势：利用球面光学元件与4F系统，在三维空间实现光信号的高效扇入/扇出，避免平面光学的“布线-计算面积竞争”；microLED与光电探测器可生长于硅基板，支持与电子背板的紧密集成，单个模块（400万权重）体积可缩小至4cm级（依赖微透镜与波导技术）。

- 非相干光源设计：采用microLED（非相干光源），光程匹配仅需满足系统带宽（GHz级），而非相干光源的波长精度（数百THz级），制造公差大幅放宽，规模化生产难度降低。

- 模拟电子灵活性：非线性、退火等功能通过模拟电路实现，可快速迭代功能（如未来计划加入归一化、softmax），无需修改光学硬件，扩展硬件支持的计算原语。

⑤ 定点迭代带来的噪声鲁棒性

模拟硬件的噪声（如microLED光强波动、SLM调制误差、电子噪声）是性能瓶颈，AOC通过定点迭代的“吸引子特性”抵消噪声影响：

- 迭代过程中，定点对信号轨迹具有“牵引作用”，每次迭代均使信号向定点靠近，抵消随机噪声；

- 实验验证显示，在SNR=10-15dB（模拟硬件典型噪声水平）下，AOC对MNIST分类的准确率下降不足1%，而同等噪声下深度前馈网络准确率下降超5%；回归任务中，通过11次重复运行平均，可将高斯曲线拟合的MSE从3.75×10⁻³进一步降低至2×10⁻³，且曲线平滑度显著提升。

◆ 实验验证与性能表现

① AI推理任务：分类与回归

（1）图像分类

- 数据集：MNIST（手写数字）、FashionMNIST（时尚单品），输入图像缩放至[-1,1]并展平为784维向量；

- 模型架构：输入投影层（784×16/4096）+AOC平衡模型（256/4096权重）+输出投影层（16/160×10），4096权重模型通过“16个256权重模型时间复用”实现；

- 性能：256权重AOC硬件在MNIST准确率达95.02%、FashionMNIST达86.04%，与数字孪生（AOC-DT）结果（MNIST 94.97%、FashionMNIST 86.20%）高度一致；4096权重模型通过时间复用，准确率提升至MNIST 97.67%、FashionMNIST 89.01%，优于同参数前馈模型（MNIST 96.53%、FashionMNIST 87.43%）。

（2）非线性回归

- 任务：拟合高斯曲线（f(x)=2e^{-x²/(2σ²)}-1，σ=0.25）与正弦曲线（f(x)=√|x| × sin(3πx²)），输入x∈[-1,1]；

- 性能：AOC硬件对高斯曲线的MSE为3.75×10⁻³，正弦曲线为1.21×10⁻²，与AOC-DT结果（高斯3.83×10⁻³、正弦7.05×10⁻³）差异小于5%；通过11次重复运行平均，正弦曲线拟合的波动范围从±0.05缩小至±0.01，曲线平滑度满足实际应用需求。

② 组合优化任务：工业场景与基准测试

（1）医学图像重建

- 任务：基于压缩感知的Shepp-Logan体模（32×32像素）与FastMRI脑部图像（320×320像素）重建，欠采样率37.5%（体模）、4-8倍（脑部图像），目标函数含数据保真项与稀疏性约束（二进制变量控制像素非零性）；

- 性能：体模重建中，AOC通过块坐标下降（BCD）将64变量QUMO分解为8变量子问题，迭代30-40步后MSE达0.008，远优于仅数据保真项的0.079；脑部图像重建（AOC-DT模拟）中，20万变量QUMO实例的MSE低于0.07，满足临床诊断精度。

（2）金融交易结算

- 任务：46笔交易（37个金融机构）的结算优化，目标最大化结算金额，约束转化为QUMO的连续松弛变量，预处理后为41变量实例；

- 性能：AOC通过7步BCD迭代找到全局最优解，结算成功率100%，而量子硬件在相同8变量简化实例中成功率仅40-60%；在真实场景衍生的8变量实例中，AOC保持100%成功率，且单次求解耗时30-40μs。

（3）基准测试

- QPLIB基准：针对含线性不等式约束的 hardest 实例（需Gurobi超60秒求解），AOC-DT求解速度提升3个数量级，其中实例3584（500二进制+10000连续变量）耗时40秒，而Gurobi需54000秒匹配相同解；

- QUBO基准：在Wishart、RCDP、Tile3D等基准中，AOC-DT的目标函数改进率超90%，在G-Set基准（20000变量）中与Gurobi性能相当，且发现2个QPLIB实例（3693、3850）的新最优解。

◆ 大规模模拟计算机设计与未来展望

① 规模化架构

AOC采用“模块化3D mesh”设计实现规模扩展：

- 单个模块：支持400万权重（2000变量），含microLED阵列、SLM、光电探测器与模拟电子，体积约4cm（依赖微透镜与激光写入波导技术）；

- 系统集成：通过3D mesh连接50-1000个模块，支持正负权重分离处理（模块数量减半可通过单SLM双偏振实现），总权重可达0.1-2亿，适配10万像素MRI重建与10亿参数量AI模型（通过专家混合架构分解）；

- 信号同步：模块间时延差异控制在单次迭代时间（20ns）内，无需模拟时钟，通过物理布局优化（子模块就近排列）降低传播时延。

② 技术挑战与路径

- 光学小型化：当前4U机架系统需通过微透镜阵列与3D打印微光学（如双光子聚合技术）缩小至厘米级，衍射极限可通过微透镜NA优化（目标0.5以上）缓解；

- 模拟ASIC开发：现有离散电子元件功耗占比超60%，计划开发专用模拟ASIC，集成跨阻放大器、VGA与非线性模块，功耗降低至当前1/10；

- 软件栈优化：需开发针对AOC的定点模型训练框架，支持自动权重量化（9位精度）与问题分解，当前AOC-DT已实现PyTorch集成，未来计划支持TensorFlow生态。

◆ 总结

AOC通过“定点抽象+3D光学+模拟电子”的协同设计，首次实现单一模拟平台对AI推理与组合优化的高效支持，其核心优势在于消除数模转换开销、突破QUBO局限、提升噪声鲁棒性。当前硬件已验证小规模任务的有效性，规模化设计基于成熟消费级技术（microLED、SLM、CMOS），能效预计达500 TOPS/W，较GPU提升超100倍。未来通过光学小型化与模拟ASIC迭代，AOC有望成为AI与优化领域的低耗高速计算平台，推动可持续计算发展。