近日，智能科技学院张启明教授、顾敏院士团队在光学领域知名期刊《先进光子学》 （Advanced Photonics）发表题为“用原位噪声正则化离散权重训练的高并行光电反馈光子忆阻器储备池计算”（Highly Parallel Optoelectronic-Feedback Photonic Memristor-Based Reservoir Computing with In Situ Noise-Regularized Discrete Weight Training）的创新研究成果。智能科技学院博士生夏皖为论文第一作者，蔡博渊副研究员、顾敏院士和张启明教授为共同通讯作者，上海理工大学为唯一完成单位。
光子忆阻器储备池计算兼具光学并行处理和忆阻器非线性记忆特性，被认为是发展高效神经形态计算的重要方向。然而，现有系统普遍存在物理节点规模有限、依赖时间复用以及连续权重难以适配离散含噪光学硬件等问题，限制了系统的规模化应用。
针对上述问题，研究团队构建了由输入层、光电反馈忆阻器层和光学读出层组成的自由空间并行计算系统。系统利用空间光调制器与相机形成光电反馈回路，实现具有历史依赖特性的非线性动态，并通过自由空间光传播完成多节点并行处理。同时，团队提出原位噪声正则化离散权重训练方法，将硬件实测噪声和器件离散调制特性引入训练过程，有效减小仿真与实验之间的性能差距。
研究团队成功实现了包含810个完全并行物理节点的端到端光子忆阻器储备池计算系统。在MNIST-PART手写数字识别任务中，系统经过10次重复实验获得88.6%±2.1%的平均识别准确率，单次最高准确率达到92.0%，验证了自由空间复用和硬件原位训练在扩展光子储备池计算系统中的可行性。
本研究为解决光学神经网络中的离散权重、物理噪声和硬件部署失配问题提供了新的技术方案，并为发展大规模、可重构的神经形态光子计算系统提供了新的实现路径。
论文链接：https://doi.org/10.1117/1.AP.8.4.046012
原理图：高并行光电反馈光子忆阻器储备池计算架构
