据爱光学，于2025年09月17日报道，西安电子科技大学项水英教授团队在《激光与光电子学进展》2025年第17期“智能光子技术”专题发表题为“光子神经网络训练方法研究进展”的特邀综述，回顾了国内外主要研究团队在光子神经网络训练方面的工作，分析各方法的原理、优势与局限，并对该领域的未来发展趋势提出展望。
随着人工智能的高速发展，传统电子计算机因晶体管尺寸缩小已无法满足大规模的数据处理和复杂运算需求，而光的特性恰好能弥补这些不足：其一，光速是宇宙极限速度，光信号可瞬间传递海量信息；其二，光具有天然并行性，不同波长、偏振的光信号可独立传输，能同时处理多任务，大幅提升计算效率；其三，光子器件静态能耗极低，无需像电子器件那样维持持续电流。
基于这些优势，光子神经网络以光为信息载体，通过光学器件构建计算架构，成为新一代高效计算的核心方向，而有效的训练方法作为提升其性能的关键，更是科研领域的重点探索对象。
二、核心原理：模拟大脑的光计算
光子神经网络的核心原理是模拟人类大脑的神经元和突触结构，通过光的传播与相互作用来实现信息的处理与计算。在人类大脑中，神经元通过突触相互连接，形成一个复杂的网络。当一个神经元接收到足够的信号时会被激活，并向其他神经元发送信号。
光子神经网络借鉴了这种工作方式，用微环谐振器等光学非线性器件来模拟神经元的激活函数，实现光的非线性转换和信号调制。而光子突触则使用马赫-曾德尔干涉仪等可调谐光学器件来模拟突触权重，并通过光强、相位或波长调制来实现权重的动态调整。在实际运算中，光子神经网络利用光学干涉和衍射等现象来实现矩阵乘法，如通过光学干涉阵列等器件，光信号在传播过程中可同时完成多组数值的相乘与累加，无需像电子计算那样逐次运算，计算速度得到数量级提升。
三、7类核心训练方法，展现光子神经网络的“学习能力”
如果说光子神经网络的硬件架构是“身体”，那训练方法就是赋予它“学习能力”的“大脑”。目前，学术界围绕光子神经网络的训练，已形成7类核心技术方向，每一类都有其独特的原理和适用场景，共同推动光子神经网络从理论走向实用。
1、基于脉冲时序依赖可塑性（STDP）的训练
STDP的训练模拟生物神经元的突触可塑性，根据前后神经元光脉冲的发放时间差调整权重，无需全局误差反向传播，适配低功耗、分布式的光子硬件。比如西安电子科技大学项水英团队利用垂直腔面发射激光器（VCSELs）构建光子突触，如图1（a）所示，通过STDP规则实现无监督学习，能精准识别任意脉冲模式。
2、基于梯度的训练方法
基于梯度的训练方法是目前应用最广的方法，且反向传播（BP）最具代表性，其核心是通过计算损失函数的梯度，并沿着梯度反方向调整参数。例如西安电子科技大学项水英团队于2023年提出了基于BP的监督学习算法，利用图1（b）中带隐藏层的经典梯度反向传播方法进行改进，构建了多层光子脉冲神经网络解决线性不可分问题。
3、进化算法
进化算法不依赖梯度，而是模拟生物进化的“选择、交叉、变异”过程，在庞大的参数空间里找最优解，典型代表是遗传算法（GA）和粒子群优化算法（PSO），图2（a）是经典的GA和PSO的训练策略。北京邮电大学徐坤团队于2019年针对光神经网络片上训练缺乏高效算法的问题，提出了图2（a）所示的神经进化训练策略，并用于Iris分类任务中。
4、硬件感知训练
硬件感知训练指在训练时主动加入硬件的非理想特性——比如量化误差、光子器件的固有噪声，让模型天生适配硬件限制。它主要分为两类：量化感知训练和噪声感知训练。希腊塞萨洛尼基亚里士多德大学Kirtas团队在量化感知训练方面成果显著，于2022年提出如图2（b）所示的量化感知训练等多种训练方法。同年，Alexandris团队提出图2（c）所示的噪声感知训练方案。
5、硬件误差校正
硬件误差校正是在模型部署到硬件后，通过调整硬件参数或优化算法，抵消制造误差、温度漂移等带来的影响。硬件架构优化和算法优化共同推进对各类误差的抑制能力。硬件架构优化方面，Moralis-Pegios团队提出图3（a）所示的鲁棒交叉开关Xbar架构，减少路径误差；Mojaver团队提出图3（b）所示的Bokun网格架构，提升相位误差容限。算法优化上，Saumil团队提出图3（c）所示的局部误差校正算法，校准组件误差。
6、在线学习
在线学习打破了“离线训练、硬件部署”的传统模式，让光子神经网络在硬件上直接训练，实时适应数据变化，分为完全自主在线学习和硬件在环训练两种。斯坦福大学Hughes等提出的基于伴随变量法的在线训练框架（图 4（a））、清华大学戴琼海院士团队提出的基于光学误差反向传播算法的在线学习方案（图4（b））均为完全自主在线训练；皇后大学Matthew团队提出的基于直接反馈对齐算法的硅光子在线训练架构（图 4（c））则是一种硬件在环训练方案。
7、面向光子神经网络的Python训练框架
Python凭借丰富的生态，成为光子神经网络训练的“得力工具”，各类基于Python的框架，如TensorFlow、Neuroptica、Photontorch及PyTorch等，让科研人员能高效开发、仿真光子神经网络。其中，德克萨斯大学Gu团队基于PyTorch架构开展系列研究，先后提出了L²ight框架、SqueezeLight框架以及图5所示的NeurOLight框架、ADEPT框架、ELight框架，成果显著。
四、挑战与机遇并存
光子神经网络潜力巨大，但也面临不少挑战。一是训练与硬件协同难，很多理论上表现好的训练方法，实际部署时会因器件噪声、制造误差等性能下滑，比如基于梯度的训练因硬件“不可微”降低计算精度，在线学习受参数漂移限制难以规模化应用；二是复杂场景泛化能力不足，现有方法在简单任务中表现较好，但面对高清图像分割等复杂任务，STDP等方法误差传递效率不够，进化算法则计算复杂度剧增；三是多学科工具链整合不畅，各学科工具未完全打通，硬件物理特性与算法模型融合不深，制造工艺与训练算法的适配性有待提升。
尽管面临挑战，但光子神经网络的未来依然充满机遇。在技术上，光子神经网络正从“生物启发”和“硬件协同”两方面进行突破，神经科学的深入将推动其训练方法向“功能仿生”升级，新型可微分光学器件的研发也能提升端到端的训练效率。光子神经网络的应用前景广阔，在人工智能领域可提升计算力，医疗领域能实现便携式实时诊断，光通信领域可支撑高速数据传输，有望在多领域发挥重要作用。
作者简介
项水英，西安电子科技大学教授/博士生导师，国家级青年人才，国家重点研发计划项目负责人，西安市光电计算与类脑智能重点实验室主任。长期从事光神经形态计算与光脉冲神经网络研究，以第一作者或通信作者在Optica、Laser&Photonics Reviews、PhotoniX、Opto-Electronic Advances、IEEETranscations on Neural Networks and Learning systems、 Photonics Research 等发表录用SCI检索论文130余篇（中科院1区、2区70余篇），应邀撰写光神经形态计算领域综述6篇，入选"全球前2%顶尖科学家榜单（2023版、2024版）"。2015年获教育部自然科学奖二等奖。入选2016年度国家博士后创新人才支持计划（合作导师：郝跃院士）。主持国家重点研发计划项目，国家自然科学基金5项（1重点+1优青+2面上+1青年），KJW前沿探索项目2项等。
