当人工智能神经网络迈入大规模矩阵运算时代，传统电子处理器早已不堪重负。作为解决方案之一的光电混合计算，虽凭借光电器件协同展现出性能优势，却长期被训练与推理环节分离、离线权重更新等难题束缚——计算精度下滑，最 终导致推理准确度难以达标，成为制约其工业化应用的“卡脖子”瓶颈。

如今，这一行业困局迎来破局者。中国科学院半导体研究所提出的端到端闭环光电混合计算架构（ECA），通过硬件—算法的深度协同设计，成功打破光计算中计算精度与推理准确度的强耦合关系，为高性能计算仪器设备的研发指明了新方向。相关成果近日发表于国际权威期刊《先进光子学》（Advanced Photonics）。

不同于传统光电计算架构的“割裂式”设计，该团队的创新核心在于构建了一套“全流程闭环优化”体系。其基础是一款基于相位像素阵列的可编程光学处理单元（OPU），团队借助李雅普诺夫稳定性理论实现了OPU的灵活编程，在此之上搭建的ECA架构，通过独特的噪声自学习机制，实现了光学与电学参数的联合优化，同时完成自适应计算精度补偿，从根源上弥补了信息熵损失。

实打实的性能数据，印证了这一技术突破的价值。在计算机视觉领域经典的MNIST手写数字识别任务中，采用4-bit低精度OPU的ECA架构，推理准确率达到90.8%，无限逼近8-bit传统计算架构（TCA）90.9%的理论极限。这一结果颠覆了行业内“高推理精度必须依赖高硬件精度”的固有认知，证明低硬件成本的光计算系统同样能实现高精度推理，为算力设备的成本控制与性能提升提供了全新思路。

作为核心设备的OPU，其性能表现同样亮眼。实测数据显示，该OPU运算速率达30.67 GBaud/s，可实现981.3 GOPS的计算能力与3.97 TOPS/mm2的计算密度。更值得关注的是，理论分析表明，该结构可进一步扩展至128×128规模，届时计算能力将飙升至1005 TOPS，计算密度维持4.09 TOPS/mm2，能效可达37.81 fJ/MAC。这般优异的性能指标，使其在微波光子信号处理、光通信以及神经形态人工智能等多个高价值领域具备极强的落地潜力。

半导体所此次的技术突破，不仅解决了光计算领域的长期技术桎梏，更推动了光电混合计算从实验室走向实际应用的进程。随着该技术的进一步迭代与产业化，有望重塑高性能计算仪器设备的市场格局，为人工智能、光通信等战略新兴产业的发展注入强劲动力。