【清华团队提出物理梯度训练架构实现光子芯片原位学习】光子计算凭借高速传播、天然并行和低能耗潜力，为突破人工智能算力与能效瓶颈提供了重要技术路径。然而，光子芯片的训练仍普遍依赖离线数字建模，实际器件不可避免地受到制造偏差、损耗和复杂光场传播的影响，使数字模型难以完全反映芯片的真实物理状态。现有原位训练方法往往受限于特定光路拓扑，难以适配复杂光子系统。能否直接在真实光子硬件中获得梯度，让芯片依据自身物理状态完成训练优化？

针对这一问题，近日，清华大学电子系方璐教授课题组提出INSPIRE物理梯度原位训练架构，将梯度计算直接引入光子硬件，实现光子系统的精准原位训练与高效优化。相比依赖离线数字模型的传统训练方式，这一物理梯度训练架构实现了从外部数字优化向硬件原位学习的转变，为构建可扩展、自适应的大规模智能光子计算系统提供了新的技术路径。相关研究成果以“基于广义原位物理梯度下降的光子神经形态学习”（Photonic neuromorphic learning via generalized in situ physical gradient descent）为题，发表在《自然·计算科学》（Nature Computational Science）。论文链接：网页链接（来源：电子系）科研速递 清华大学