NEWS

       光计算有望突破电计算的速度、能耗瓶颈。然而，目前的光计算架构大多仍依赖电光/光电转换来实现信号输入、权重加载和数据存储，导致了严重的数据搬运与转换开销。

       近日，陈鹏副教授、陆延青教授团队与上海理工大学方心远教授、顾敏教授团队通力合作，提出了基于液晶“向变”材料的矢量光存算一体新架构，可实现高达151 Mbit的非易失存储容量及高达944万的光学神经元规模，为智能光子学与类脑人工智能的发展指明了新方向。相关成果以“Light-Driven Molecular Reorientation for Large-Scale Photonic In-Memory Computing”为题，发表于eLight（影响因子31.4，入选两期卓越计划）。

研究背景

       人工智能的飞速发展对计算架构的速度、规模及能效提出了前所未有的需求。传统的冯·诺依曼架构因存储与计算单元物理分离，在速度和能效上存在根本性瓶颈。受人脑存算融合机制的启发，新兴的存算一体架构通过在数据存储位置直接执行计算来突破这一瓶颈。与此同时，光计算凭借超低延迟与固有并行性，成为另一条极具潜力的解决路径。然而，现有光计算平台大多作为加速器设计，在信号输入、权重加载及数据存储等环节高度依赖电光/光电转换，导致了严重的数据搬运与转换开销。

       光学存算一体技术通过融合光存储与光计算，有望进一步减少数据移动，近年来引发了广泛关注。一方面，基于相变材料、磁光材料的非易失性光子存内计算芯片已被用于矩阵乘法运算，但计算规模仍受严重制约。另一方面，基于光衍射的自由空间光计算在扩展计算规模方面具有里程碑意义，但现有的衍射光计算平台或缺乏可重构性，或依赖需持续供电的易失性电编程。非易失性光存储的缺失，使得大规模光学存算一体难以真正实现。

研究亮点

       针对上述挑战，南京大学与上海理工大学联合团队提出了基于液晶“向变”材料的大规模矢量光存算一体新架构（图1）。该架构利用光敏染料与偏振光刻技术，能够任意重构液晶分子的面内排列方向（即“向变”），构建了一种新颖的非易失性光存储平台。同时，这些可重构的液晶分子还被用于构建庞加莱球连接的矢量衍射神经网络，可直接执行矢量光计算任务。该架构在光域实现了矢量光场的并行感知、计算、存储与重建，显著提升了光计算的规模、维度及灵活性。

图1：基于液晶“向变”材料的矢量光存算一体概念图

1. 原位可重构的矢量衍射神经网络

       本研究提出了一种庞加莱球连接的矢量衍射神经网络（图1a）。输入层和输出层中，每个位置的光偏振均被描述为庞加莱球上的一个点。隐藏层中，偏振转换元件构成众多矢量神经元，被描述为庞加莱球上的偏振演化轨迹。通过矢量光的自由空间衍射，相邻层中的庞加莱球在振幅、相位和偏振维度上相互连接，从而将输入矢量光场链接到输出矢量光场。通过合理设计损失函数，优化矢量神经元参数，即可实现矢量光计算。

       尽管很多材料体系都具备偏振光的操控能力，可重构的矢量光调控技术仍十分稀缺。液晶作为典型的各向异性材料，在矢量光调控方面独具优势。光经过液晶层时，会依据液晶排列方向在庞加莱球上形成特定的偏振演化轨迹。有趣的是，借助光敏染料与偏振光刻技术，液晶的面内排列方向可被任意重构，且重构后的状态无需外部供能即可稳定维持一年以上，是一种神奇的非易失性“向变”材料。这种“向变”能够在庞加莱球上产生非易失的轨迹变化，为矢量光存算一体提供了可行路径（图1b-d）。本研究采用的原位重构装置如图2a所示，无需移动液晶器件，蓝色与红色激光即可分别实现液晶“向变”与矢量光计算。基于同一液晶器件，依次重构了五种不同的矢量衍射神经网络结构，具有器件制备简单、装置操作便捷等实用化优势（图2b-d）。

图2：液晶矢量衍射神经网络的原位光重构

2. 偏振复用光计算与偏振物体感知

       液晶矢量衍射神经网络具备偏振编码、偏振复用、偏振物体感知、偏振光场存储等独特能力。例如，本研究实现了字母、时装和数字识别任务的三偏振复用（图3a-c）。每个偏振通道中，输入图像的类别依据三个探测区域内的光强进行判定，字母、时装、数字的识别准确率分别达到88%、92.5%和93%。有趣的是，该任务亦可视为对三类偏振物体的感知，其中不同偏振态的输入图像象征物体的不同偏振特征（图3d-f）。依据检偏后的光强，三类偏振物体的分类准确率可达91.2%。该策略在生物样本实时分析方面具有应用潜力（图3g），通过引入偏振维度信息，有望降低计算延迟，提升分类准确性。

       在此基础上，本研究进一步构建了卷积矢量衍射神经网络，可在光域直接识别不同生物细胞。如图3h所示，该网络由一个固定的光学卷积层和一个可训练的衍射层组成。第一个液晶器件置于4-f系统的傅里叶平面，用于执行光学卷积运算，可将不同方向边缘映射为不同方向偏振。因此，以竖直边缘为主导的洋葱表皮细胞倾向于产生竖直偏振态，而具有多方向边缘的花椰菜细胞所产生的偏振态无明显偏向（图3i）。第二个液晶器件置于4-f系统的后焦面，作为偏振分类器，将竖直偏振光与无偏光分别汇聚至两个不同的探测区域，从而实现两种植物细胞的高效分类。

图3：偏振复用光计算与偏振物体感知

3. 超大规模的矢量光存算一体

       最后，本研究集成了12 × 12个矢量光计算单元，构建了包含944万个可重构神经元、151 Mbit非易失存储容量的超大规模矢量光存算一体平台（图4a）。每个计算单元均可通过编码四个光斑，对输入字母“a”、“b”、“c”、“d”进行分类。只有对应于真实标签的光斑会被优化为竖直偏振，其余三个光斑则被优化为水平偏振。

       该平台具备多核并行处理能力，可在光域完成多通道矢量光的感知、计算、存储与重建，最多可支持144个输入字母的同时识别，提供576个并行偏振编码通道。作为概念验证，实验采用3 × 2子阵列对六个输入字母“bad cab”进行分类（图4b）。输出的矢量光结果被存储于另一液晶器件中，其偏光显微照中24个亮斑的位置和形状与被存储光场高度一致，验证了该平台对光计算数据的并行光存储能力。进一步地，用激光照射存储后的液晶器件，可并行重建包含光计算数据的光场，有望衔接下一轮全光处理循环，从而支持网络深度拓展、光功率再生、重复数据访问及时序信息处理。

图4：超大规模的矢量光存算一体

总结与展望

       本研究提出了一种基于“向变”材料的矢量光存算一体全新架构，集大规模、高并行、可重构、高效率于一体，其独特的非易失性更确保了静态任务下的超低功耗。通过开发与自由空间光学相兼容的液晶光存储技术，显著提升了光学存算一体的存储容量与计算规模，有望催生一系列具有存储能力的新型光计算系统。该架构还实现了前所未有的矢量光原位光重构，突破了传统偏振元件的静态局限，有望推动偏振光学从被动调制向自适应、可编程的新范式演进。此外，本研究首次在光域展示了偏振感知、计算、存储与重建的全链条闭环，为全光信息处理与光学人工智能开辟了新的发展方向。

       南京大学为该工作的第一完成单位，南京大学博士生刘思嘉、上海理工大学博士生胡晓楠、南京大学副教授陈鹏为共同第一作者，南京大学陈鹏副教授、上海理工大学方心远教授、上海理工大学顾敏教授、南京大学陆延青教授为共同通讯作者，博士研究生陈方天宇、李克农、孙睿、丁世辉、张逸恒、李珂瑶、李保莉助理研究员、葛士军副研究员、王峰教授对本工作亦有重要贡献。

论文信息

Liu, S., Hu, X., Chen, P. et al. Light-driven molecular reorientation for large-scale photonic in-memory computing. eLight 6, 26 (2026).

https://doi.org/10.1186/s43593-026-00141-0

 

 

文章源于中国光学公众号