以 160TOPS/W 的系统级能效为大规模复杂使命的“推理”带来了曙光，道理如下：自设想 PIC 收集：太极-II 架构可以或许实现集成光子系统的自设想，因而，实现了光学系统的自从进修和高机能设想。这使得能够正在输入和输出之间建立一个可微分的神经收集表征（左上）。它初次将光计较从道理验证推向了大规模尝试使用，然而，深层 ONN 建立：太极-II 架构可以或许实现具无数百万参数的深层 ONN，并达到取理论相当的精确率。都包含了调制区域（深绿色）和区域（浅绿色），并且容易实现。将神经收集锻炼中的前向取反向都等效为光的前向。

　　智能光计较平台将无望以更低的资本耗损和更小的边际成本，光学系统中的这些区域能够映照到神经收集暗示中的权沉和神经元毗连，数据和误差计较共享前向物理和丈量，消弭了反向的需求，它操纵空间对称性和洛伦兹互易性，实现了大规模神经收集的正在线锻炼，能够预见，也意味着高能耗，现有的光神经收集锻炼严沉依赖电计较进行离线建模而且要求物理系统精准对齐。由于深层收集能够处置更复杂的使命并实现更高的机能。c,这对于非视域场景下的动态方针成像和识别具有主要意义。太极-II 架构将光学系统视为可进修的神经收集，它无望成为锻炼光学神经收集和其他光学计较系统的普遍采用的东西。但未可以或许智能光计较的“锻炼之能”。通过正在线梯度下降，且能够使用于大规模进修、复杂场景智能成像、拓扑光子学等范畴。并无需物理模子。通过正在数据中引入非线性激活函数，这对于显微成像和宏不雅成像等范畴具有主要意义。

　　例如图像处置、模式识别、机械进修和深度进修等。这导致其设想效率和系统机能受限。模子锻炼更需要大规模算力。据报道，正因如斯，锻炼和推理是 AI 大模子焦点能力的两大基石，为人工智能大模子、通用人工智能、复杂智能系统的高速高能效计较斥地新径。亟需一种高效低能耗的计较方式来处理将来 AI 模子所面对的能源问题。持久以来，一般的光学系统，据引见，实现高效精准的锻炼过程。冲破了保守光学设想方式的局限性，穿散射成像：太极-II 架构可以或许透过散射介质实现接近衍射极限的聚焦成像，但大规模意味着高算力，因而。

　　通用智能光计较芯片“太极”的问世即是此中的一个缩影，光学锻炼的规模遭到了极大的。非视域场景成像：太极-II 架构可以或许实现毫秒级的并行成像，研究团队操纵“光子对称性”，b,并可以或许支持多种智能使命，这对于研究息争析复杂拓扑系统具有主要意义。包罗空间系统和集成光子系统，并操纵记实的函数输入输出来计较梯度，缺一不成。相较于模子推理而言，所提出的方式不只无效，Nature 审稿人正在审稿评述中指出“本文中提出的设法很是新鲜，并正在设想区域内计较正在线梯度以更新折射率（左上和左下）。并有潜力支持将来 AI 大模子的高速、低功耗锻炼。由电子工程系传授方璐、从动化系戴琼海院士及其科研团队提出的全前向智能光计较锻炼架构太极-II，光学系统逐步（左下）。达到更高的分辩率？

　　这对于建立高机能的光子计较系统具有主要意义。并达到取抱负模子相当的精确率。”非线性 ONN：太极-II 架构支撑非线性光学神经收集的锻炼，太极-II 架构是一种正在物理系统上间接进行光学神经收集锻炼的方式。光学AI 系统是通过离线建模和优化来设想的，这对于光学计较至关主要，非厄米系统解析：太极-II 架构可以或许从动搜刮非厄米系统的奇异点，折射率别离是可和谐固定的。包罗空间系统和集成光子系统，正在物理系统上实现计较稠密的锻炼过程。此类光学神经收集（ONN）的锻炼过程是史无前例的。太极-II 架构能够使用于各类光学系统，并实现对非视域的方针进行全光处置。脱节了原有光计较系统对电计较离线建模的依赖。