近日，同济大学物理科学与工程学院王占山教授和程鑫彬教授团队的张卉副教授与上海大学、英国布里斯托大学、香港理工大学的合作者，对光子神经网络的扩展策略进行了梳理。该综述围绕光子神经网络的规模化问题，将现有扩展方法归纳为空间、时间、光谱和信息四类，并结合马赫-曾德尔干涉仪网络、衍射光学网络和波分复用网络三种主流架构逐一分析，讨论了各类策略在性能与规模之间的权衡。相关研究成果以“Scaling strategies for photonic neural networks”为题发表于《自然综述·物理学》(Nature Reviews Physics)。

光子神经网络利用光的高并行度、亚纳秒延迟和低功耗特性加速计算，但其现有规模尚难以支撑参数量达数十亿的人工智能模型。此前，对大规模系统性能的预期多由小规模原型外推得到，往往忽略了规模增大后出现的加工误差、噪声累积等物理问题。针对这一问题，该综述以扩展策略为主线展开分析。

空间策略通过增加网络宽度与深度实现扩展，如图1所示。在宽度方面，干涉仪网格已由早期的几个模式发展到数百个模式，但器件误差随规模增大而累积，参数剪枝与逻辑拼接可在不增加物理规模的前提下提高有效宽度；在深度方面，衍射网络通过逐层堆叠增加层数，层间距增大可提高神经元之间的连接度，同时也提高了对准难度。时间策略借助光延迟回路或谐振结构引入循环连接，使网络具备处理时序信号的能力。光谱策略是波分复用网络的主要扩展途径，如图2所示，研究者通过微环权重库、微环交叉阵列和光频梳光源增加波长通道数，并将波分复用与时分、空分、射频等维度相结合以提高并行度。信息策略则利用高维编码以及量子叠加与纠缠，扩展可用的希尔伯特空间。

该综述通过吞吐量、计算密度和能效等指标比较了三种架构的扩展能力，并综述将不同架构与扩展策略相结合的混合方案的初步实例。论文进一步讨论了规模扩展面临的实际限制，包括误差累积与信噪比下降导致的精度与规模之间的矛盾、模拟计算固有的精度上限（目前光子矩阵运算的有效精度约为9比特），以及光电转换对能效优势的削弱。作者认为，光子网络可级联的层数可能取决于模拟信号在需要进行数字重整之前所能经过的层数。相关分析有望为大规模光子计算芯片的架构设计与系统评估提供参考。

图1、通过增加网络宽度与深度实现空间扩展

图2、通过波长通道复用与多维度交叉实现光谱扩展

同济大学精密光学工程技术研究所王占山教授和程鑫彬教授团队的张卉副教授为论文第一作者兼共同通讯作者，程鑫彬教授与英国布里斯托大学Anthony Laing教授、香港理工大学刘爱群教授为论文共同通讯作者。该研究工作得到国家自然科学基金、国家重点研发计划及上海市科技创新行动计划集成电路领域基础研究项目资助。

论文链接：https://doi.org/10.1038/s42254-026-00984-z