作者

Lingzhi Luo, Yizhi Wang, Zhiwei Xue, Yanzhi Chen, Chunhui Yao, Senbiao Qin, Peng Bao, Jing Zhang, Kangning Xu, Minjia Chen, Ting Yan, Yuxiao Ye, Liang Ming, Gunther Roelkens, Jianji Dong, Tawfique Hasan, Ian White, Richard Penty, Lu Fang^✉ & Qixiang Cheng^✉ 

Cite this article

Luo, L., Wang, Y., Xue, Z. et al. Temporally plastic photonic processor for real-time adaptive computing. eLight 6, 24 (2026). https://doi.org/10.1186/s43593-026-00139-8

扫码阅读全文

https://doi.org/10.1186/s43593-026-00139-8

eLight | 时变可塑光子处理器实现实时自适应计算

| 本文由论文作者团队撰稿

| 导读

实时智能系统正面临日益动态和复杂的数据环境：自动驾驶、实时传感和生成式人工智能等应用不仅需要更高吞吐量和更低延迟，还需要硬件能随输入分布和任务状态的变化即时调整计算方式。传统电子处理器在动态权重更新、递归状态演化和频繁存储访问方面面临“存储墙”、时钟同步和能耗瓶颈；而许多已有光子处理器虽然速度快，却主要执行非时序计算，难以在高速光域内完成持续自适应。

近日，剑桥大学程祺翔教授、清华大学方璐教授团队提出一种时变可塑光子处理器（Temporally Plastic Photonic Processor, TPPP），将多时间尺度光子计算核与递归光延迟存储结合起来，使光子硬件能够在推理过程中原位嵌入随时间变化的权重，实现实时同步的超高速动态信号处理。研究在光谱水分预测和自动驾驶控制两类顺序任务中验证了该架构的鲁棒性和准确性；在操作匹配的INT8 对比下，预计其单次操作能效最高可提升16 倍，相较于单程电计算延迟最高可降低100 倍。该工作中的全光计算芯片分别出自光引科技中试量产晶圆级流片，和 IMEC iSiPP50G MPW平台。相关研究成果以 “Temporally Plastic Photonic Processor for Real-Time Adaptive Computing” 为题发表于eLight（影响因子31.4，入选两期卓越计划）。

时序智能任务与一次性静态推理不同。它们的当前输出往往依赖历史状态、环境反馈以及此前的输出结果，因此小的误差会在时间维度上积累，输入分布的变化也会持续影响模型表现。要在这类场景中保持准确性，计算硬件必须同时具备“稳定性”和“可塑性”：既能保留长期映射，又能快速响应新的数据特征。

电子硬件实现这种能力通常需要不断读写存储器、更新权重并进行全局同步，导致数据搬运、时钟开销和热管理问题。集成光子计算天然具有高带宽、低延迟和低能耗优势，但大多数已有光子矩阵处理器仍围绕固定权重或静态处理设计；控制和存储往往需要反复回到电子域，削弱了光子计算在实时顺序任务中的速度优势。因此，如何让光子硬件在光域内保留历史信息、动态调节权重并抵抗器件误差，是迈向实时自适应光子智能的关键。

| 一、研究亮点

1. 提出“时变可塑”的光子处理器架构。如图1所示,TPPP采用双时间尺度/多核设计：慢速可重构核负责稳定的长期线性变换，快速动态核负责脉冲级、时隙级的瞬态调制，反馈核则通过递归光延迟回路提供光学记忆。该设计受到生物系统多时间尺度可塑性的启发，可在同一光路中兼顾长期稳定映射和短期快速自适应。

图1：时变可塑光子处理器的概念与架构示意。处理器由可重构核、反馈核和动态核组成，可在光域中实现多时间尺度调制与递归延迟记忆

2. 在实验平台上验证高精度与可扩展性。图2展示了研究构建的低损耗氮化硅（SiN）与紧凑硅基（SOI）两种互补平台，并结合微转印 InP 基半导体光放大器阵列实现快速电光调制。经过系统标定，单次点积误差平均为0.175 LSB，标准差为1.587 LSB；8个输出通道在 INT8 编码下达到约5.78 bit的有效位数。递归循环中的功率波动低于2%，为递归式光学记忆和时序调制提供了稳定基础。

图2：基于SiN和SOI 的高精度可扩展时变可塑光子计算系统

3. 在线性光谱分析任务中实现动态补偿。图3展示了研究以面粉近红外光谱水分预测为代表任务，将1899个波长通道经PCA 降维为8个主成分，并把岭回归中的正则化矩阵求逆转化为 Richardson 迭代在TPPP上实现。动态核根据校准数据补偿路径损耗、器件非理想性和通道偏斜，使矩阵求逆平均准确率从约90% 提升到约95%，并将光谱分类准确率从88%提高到95%。

图3：TPPP 在线性模式下用于光谱水分预测。近红外光谱经 PCA 降维后进入岭回归，矩阵求逆由 Richardson 迭代在光子硬件上完成，动态补偿提升了矩阵求逆和水分预测精度

4. 在非线性自动驾驶任务中展示时间自适应RNN。图4展示了研究进一步提出与 TPPP 硬件协同设计的Time-Adaptive RNN（TA-RNN），将车辆速度和三个方向的障碍物距离作为输入，输出油门和转向控制。实验结果表明，动态奇异值调制为固定 RNN 权重之外引入了有效的时间建模能力；在离线训练后，推理阶段的递归计算映射到全光反馈回路中，相比普通RNN的结果显著提升，最终实现小于 5% 的轨迹预测误差。

图4：TPPP 非线性模式下的自动驾驶控制演示。TA-RNN 通过时间自适应的动态权重处理连续传感器数据，输出实时转向和油门控制，并显著改善轨迹预测

| 总结与展望

本研究展示了一种将“时间可塑性”直接写入光子计算硬件的新路线。通过慢速可重构核、快速动态核和递归光延迟记忆的协同，TPPP 不再只是加速固定矩阵运算，而是能够在光域中执行随数据演化的自适应计算。这一想法为实时传感、边缘智能、自动驾驶控制、快速科学仪器和顺序生成模型等场景提供了新的硬件框架。

从实验验证到系统级分析，TPPP 已显示出在能效、延迟和鲁棒性方面的潜力。未来若进一步优化矩阵规模、片上损耗、相位噪声、SOA 噪声以及多系统的异质集成，时变可塑光子处理器有望从概念验证走向更大规模的实时自适应计算系统。

| 论文信息

Luo, L., Wang, Y., Xue, Z. et al. Temporally plastic photonic processor for real-time adaptive computing. eLight 6, 24 (2026).

https://doi.org/10.1186/s43593-026-00139-8

支持单位：