2026年6月13日，中心联合相关单位在 National Science Review 在线发表综述“Emerging integrated photonic neural network technologies for artificial intelligence: from devices to systems”。文章围绕人工智能应用，从基础器件、计算架构、材料集成和系统封装等方面梳理集成光子神经网络的发展，分析其从实验原型走向实际计算系统所面临的问题。该文收录于期刊“光电融合”专题。

人工智能计算不仅受处理器算力影响，也受存储访问和数据传输能力制约。光子神经网络利用光的传播、干涉和波长复用等特性执行运算，为高并行、低时延计算提供了新的选择。不过，单个光学运算单元的性能并不等于完整系统的性能，光源、调制与探测、数据转换、存储和封装等环节都可能成为限制。因此，需要将器件和系统放在同一设计过程中考虑。

在器件层面，综述介绍了无源波导器件、光源、调制器与探测器等关键组成，讨论器件损耗、带宽和驱动需求如何影响光子神经网络。在计算架构层面，文章梳理了衍射光学、马赫—曾德尔干涉仪网络、波分复用和级联调制器等主要路线，并介绍非线性激活功能的研究进展。不同路线在计算精度、并行规模、光学损耗和控制复杂度方面各有取舍，需要根据具体任务选择。

图1 光子神经网络主要计算架构及非线性激活功能的研究进展

在系统实现层面，文章比较了混合集成、异质集成和单片集成方案，进一步讨论从可插拔光模块、板载光学到共封装光学等封装形式。随着光学模块靠近计算或交换芯片，电互连距离可以缩短，但互连密度、信号完整性、热管理和制造一致性也需要共同优化。综述将这些工程问题与光子计算核心的设计联系起来，为系统实现提供了更完整的分析视角。

文章指出，扩大光子计算规模仍需解决光学损耗累积、串扰、热漂移和精度控制等问题，低功耗、高速非线性激活也是重要研究方向。较为可行的系统路径是发挥光学在大规模线性运算和高速互连中的作用，同时利用电子技术完成存储、控制及非线性处理，并在软硬件层面协调各环节。该综述为研究人员理解不同技术方案的优势与限制、开展器件到系统的联合设计提供了参考。

该文由美国加州大学圣塔芭芭拉分校、中国科学院半导体研究所、北京大学、中国移动研究院和北京信息科技大学等单位合作完成。韩昌颢、杨其鹏、秦军、王明金、易赵正为共同第一作者，王兴军、郑婉华和 John E. Bowers 为共同通讯作者。研究得到 Semiconductor Research Corporation 和国家自然科学基金支持。

论文原文：https://doi.org/10.1093/nsr/nwag335