本报讯 光子计算是突破人工智能算力与能效瓶颈的重要路径，但现有的光子芯片原位训练方法难以适配复杂光子系统。针对这一难题，近日，电子系方璐教授课题组提出INSPIRE物理梯度原位训练架构，将梯度计算直接引入光子硬件，实现光子系统的精准原位训练与高效优化。INSPIRE使光子芯片能够依据自身物理状态完成原位优化，并进一步适配新的计算任务。相比传统训练方式，INSPIRE实现了从外部数字优化向硬件原位学习的转变，为构建可扩展、自适应的大规模智能光子计算系统提供了新的技术路径。

研究成果以“基于广义原位物理梯度下降的光子神经形态学习”为题，发表在《自然·计算科学》（NatureComputational Science）期刊上。方璐、深圳国际研究生院黄儒麒副教授为论文共同通讯作者，电子系水木学者博士后周天贶、深圳国际研究生院2021级博士毕业生赵昀、电子系2024级博士生李尚龙为共同第一作者。

（电子系）