光子集成电路快速重构，取得新进展

可编程光子集成电路（PICs）通过动态调控单元结构状态实现对光传输路径的精确操控，这一特性使其能够通过软件定义方式智能化地调控光信号传输方向，从而支持实时模拟信号处理。这种独特优势使其在波长路由、光学神经网络及微波光子学等领域展现出广阔的应用前景。随着应用场景日趋复杂多样，可编程PICs向大规模集成发展已成为必然趋势，这也使其面临一个关键挑战：如何实现数百至数千个控制单元的全局最优配置，以满足多功能信号处理的需求。传统优化算法（如Dijkstra算法、遗传算法等）由于计算复杂度呈指数级增长，往往难以有效收敛。因此，开发与PICs结构特性相匹配的智能计算模型势在必行，这类模型能够显著提升系统重构能力，从而加速大规模可编程PICs的实用化进程。

为此，中国科学院半导体研究所李明研究员、祝宁华院士团队在人工智能助力光电子芯片实现智能可编程研究中实现突破。研究团队提出了一种新型的伊辛智能计算驱动光子集成电路重构方案，该方案充分利用伊辛模型的高效优化能力，实现了可编程光子集成电路的毫秒级动态重构。

研究人员将光子单元器件的传输矩阵映射为伊辛自旋态，构建了可编程PICs的完整伊辛模型。实验结果表明，该方案成功将56×56大规模可编程PICs（包含2000余个单元器件）的重构优化时间缩短至30毫秒，并通过全光路由交换和光电神经网络的功能验证，证实了该方法的实用性和可靠性。

然后，研究团队进一步探索了该方法在光学模拟信号处理中的实际应用，重点设计了光路由和光计算两类典型应用场景。在光路由实验中，基于伊辛智能计算对可编程PICs进行优化重构。实验采用光通信中常用的NRZ和PAM-4调制信号作为测试信号，经优化重构后的可编程PICs可实现信号的高效路由传输。对比展示了信号经过可编程PICs路由处理前后的眼图测试结果，实验数据表明：在确保多路径功率均衡的前提下，该可编程PICs可在波分复用网络中实现信号的透明传输和无阻塞波长路由功能。

为充分验证可编程光子集成电路在复杂应用场景中的性能表现，研究团队构建了基于MNIST手写数字集的光学神经网络实验系统。该系统创新性地采用伊辛智能计算方法，将可编程PICs优化重构为执行矩阵运算的光学卷积核。实验结果显示，重构后线性矩阵的实验测试值与理论值的误差控制在1%以内，各输出端口光功率波动幅度不超过0.9%，展现出优异的计算精度和稳定性。接着将这种基于可编程PICs的光学卷积核集成至神经网络后，系统在MNIST手写数字识别任务中取得了突破性成果。数字"1"、"5"、"9"的识别结果与原始图像完全一致，系统平均识别准确率达到96.2%。这一系列实验不仅证实了可编程PICs能够精确实现光学神经网络所需的各类线性矩阵，展示了其在智能图像处理领域的应用潜力。

为系统评估伊辛智能计算在可编程PICs中的技术优势，本研究对当前主流重构算法的运算性能进行了对比分析。如表数据所示，基于CPU等传统计算架构的优化算法（如遗传算法、Dijkstra算法等）其重构时间普遍在秒级至分钟量级，而伊辛智能计算通过结合微波光子伊辛机（MPIM）这样的新型计算架构，成功将优化时间缩短至毫秒量级，实现了计算效率的质的飞跃。

特别值得关注的是，在模拟当前光子集成工艺极限的56×56规模系统（含2,000个MZI单元）时，传统GPU加速方案（NVIDIA A100）的预估计算时间高达1,000小时（3.60×10⁶秒），严重限制了系统的实用化进程。而采用MPIM硬件加速的伊辛智能计算方法，仅需30毫秒即可完成同等规模的重构优化，较GPU方案提升了近8个数量级，这一突破性进展为大规模可编程PICs的实际应用扫清了关键障碍。需要指出的是，为应对可编程PICs复杂多变的重构需求而采用的多比特伊辛自旋表征方法，对MPIM的光缓存容量提出了新的挑战，这将是未来研究需要重点突破的方向。