近日，西安电子科技大学郝跃院士、项水英教授团队在非线性光子神经形态计算芯片和脉冲强化学习方向取得重要进展，成功研制出 16 通道可编程非相干光子神经形态计算芯片，提出并实现光子脉冲强化学习架构，在国际顶级光学期刊《Optica》上发表了题为“Nonlinear Photonic Neuromorphic Chips for Spiking Reinforcement Learning”的最新研究成果，为光子计算在自主决策、智能控制等领域的应用奠定了核心硬件与算法基础。

研究背景：

当前，人工智能的快速发展对算力和能效提出更高要求，传统电子计算芯片瓶颈凸显，光子计算成为后摩尔时代的重要方向。传统光子计算芯片虽在线性计算加速上表现优异，但非线性计算普遍依赖数字域实现，频繁的光电/电光、模数/数模转换带来了额外的时延与功耗，成为全功能光子神经网络芯片发展的关键瓶颈。同时，现有光子脉冲神经网络研究多聚焦于监督学习和简单图像分类任务，在动态自主学习的强化学习领域尚属空白，且面临脉冲模型训练难、大规模光域非线性计算缺失等挑战。

研究亮点：

针对上述难题，通过跨材料协同设计与软硬件协同优化，构建了一套全光域实现线性与非线性脉冲计算的光子神经形态计算系统。团队创新性地设计了适用于脉冲神经网络的简化 16×16 马赫-曾德尔干涉仪(MZI)网格芯片，基于绝缘体上硅(SOI)平台实现低损耗、高集成度的光域线性矩阵运算；同时优化研制了 16 通道集成饱和吸收区的分布式反馈激光器(DFB-SA)阵列芯片，基于 III-V 族半导体平台实现类神经元的非线性脉冲激活计算，首次将光域片上非线性脉冲神经元阵列规模拓展至 16 通道，使光子脉冲神经网络的可训练模型参数达到 272 个，突破了大规模光域非线性脉冲计算的技术壁垒。

在架构层面，团队首次提出光子脉冲强化学习架构，将脉冲近端策略优化（PPO）算法部署于光子神经形态芯片，其中动作网络直接在光子芯片上完成推理，为光子神经形态计算实现自主决策与智能控制开辟了全新路径。为解决光子脉冲神经网络的训练难题，团队还研发了 “软件预训练 - 硬件原位训练 - 硬件感知软件微调” 的端到端软硬件协同训练推理框架，有效降低了模拟计算噪声与工艺偏差带来的精度损失，显著提升了光子芯片的推理准确性与训练效率。

实验结果显示，该光子神经形态计算芯片展现出卓越的性能指标：光域线性计算能效达 1.39 TOPS/W、计算密度 0.13 TOPS/mm²，非线性计算能效 987.65 GOPS/W、计算密度 533.33 GOPS/mm²，单层光子脉冲神经网络的片上计算时延仅 320 皮秒，为目前光域支持非线性计算的光子神经网络芯片中可训练参数数量最多的成果。团队在 OpenAI Gym 经典强化学习基准任务中完成了实验验证，离散控制的倒立摆（CartPole）任务奖励值稳定收敛至 200，连续控制的摆锤（Pendulum）任务奖励值收敛至 - 250，与传统 PPO 算法性能相当，充分验证了该光子脉冲强化学习架构的有效性与可靠性。

图1 光子神经形态脉冲强化学习架构、芯片及系统

该研究攻克了大规模片上光子非线性脉冲计算缺失和光子脉冲强化学习训练困难两大核心挑战，构建了高速、低时延、高能效的光子脉冲强化学习解决方案，其软硬件协同框架可推广至各类光子脉冲神经网络硬件架构，在机器人实时决策、自动驾驶、具身智能等资源受限的边缘计算场景中具有广阔的应用前景。同时，该成果推动了光子计算芯片、脉冲神经网络与深度强化学习的跨学科融合，为后摩尔时代高能效人工智能计算提供了全新的光子技术路径。

图2 连续任务在训练与推理阶段的结果

该研究得到了国家重点研发计划、国家自然科学基金重点项目的资助。团队长期深耕光子神经形态计算领域，此次成果是团队在光子脉冲神经元芯片、光子卷积脉冲神经网络等研究基础上的又一重大突破。

其他相关成果：

近年来，项水英教授研究团队致力于研究光计算芯片及算法，从基础理论、单元器件及关键技术、集成芯片与核心算法等方面开展了系统深入研究。近期研制了InP基FP-SA光子脉冲神经元芯片( Optica, 10(2), 162, 2023)、InP基DFB-SA光子脉冲神经元芯片(Laser & Photonics Reviews, 2400482, 2025)、硅光Transformer芯片(PhotoniX, 6(45), 2025) 、薄膜铌酸锂AWG芯片(Laser & Photonics Reviews, e02280,2025)等。原型系统及应用探索方面，实验证实了4通道DFB-SA芯片实现光子脉冲卷积神经网络软硬协同计算（Opto-Electronic Advances 6, 230140, 2023），光子脉冲神经元实现高速自主避障（Laser & Photonics Reviews 2300424, 2023）、融合光域线性和非线性计算的4通道光子神经形态计算芯片及系统实现基因分析(Laser & Photonics Reviews, e00864, 2025)、光子实值脉冲神经网络实现神经形态数据处理(Laser & Photonics Reviews, e03125, 2026 ) 等。相关研究成果为光神经形态计算集成芯片研制及应用探索提供了重要的器件和算法基础。

作者简介：https://web.xidian.edu.cn/syxiang/

论文链接： https://doi.org/10.1364/OPTICA.578687