🔬 optics

Optical Implementation of Equilibrium Propagation Using Spatial Photonic Ising Machines

本文展示了一种结合空间光子伊辛机（Spatial Photonic Ising Machine）将神经元状态与可训练模式编码为相位调制的混合光学-数字平衡传播（Equilibrium Propagation）实现方案，通过在 Wine 数据集上的成功评估以及在 MNIST 上的数值验证，为建立高能效物理机器学习路径奠定了基础。

原作者： Dimitri Vanden Abeele, Daniele Veraldi, Davide Pierangeli, Claudio Conti, Serge Massar

发布于 2026-06-12

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Dimitri Vanden Abeele, Daniele Veraldi, Davide Pierangeli, Claudio Conti, Serge Massar

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图教一个非常聪明但有点固执的机器人如何对不同类型的葡萄酒进行分类。传统上，你会通过向机器人展示一个错误，计算出修复它的精确方法，然后告诉它再试一次。这个过程被称为“反向传播”（backpropagation），但它就像是试图在一条单行道上进行逆向传输信息；利用光和镜子来实现这一点是非常困难的。

这篇论文介绍了一种利用光而非电力来教机器人的新方法。作者构建了一台特殊的机器，称为空间光子伊辛机（Spatial Photonic Ising Machine, SPIM）。你可以将这台机器想象成一个巨大的、高速的光学投影仪，它能够瞬间计算出某种情况下的“能量”。

以下是他们实现这一过程的方法，通过简单的概念进行了拆解：

1. “能量景观”类比

想象机器人的大脑是一个丘陵地带。

目标： 机器人想要找到最深的谷底（“基态”），因为那代表了正确答案。
问题： 通常，为了找到谷底，你需要一张地图来告诉你哪条路是向下的。
解决方案（平衡传播）： 他们没有使用地图，而是使用了一种称为**平衡传播（Equilibrium Propagation）**的方法。他们让机器人自然地沿着山坡“滚动”，直到它停在一个谷底。然后，他们给机器人一个微小的推力（就像轻轻拍了一下）来观察谷底是如何变化的。通过对比受到推力“之前”和“之后”的变化，机器人就能学会如何调整其内部设置，以便下次能更快地找到正确的谷底。

2. 光学机器（SPIM）

作者使用了一个带有**空间光调制器（SLM）**的设备。你可以将 SLM 想象成一块由数百万个微小镜子组成的数字画布。

编码问题： 他们使用激光在画布上绘制图案。这些图案代表了葡萄酒的数据以及机器人当前的“想法”。
光的魔力： 当激光穿过这些图案时，光会自然地产生自我干涉。这种干涉会在摄像头上产生一个明亮或黑暗的点。那个点的亮度能瞬间告诉计算机当前状态的“能量”。
捷径： 用普通计算机进行这些数学运算需要很长时间。而用光进行计算几乎是瞬间完成的，因为光在传输过程中就已经为你完成了计算。

3. 混合方法（光 + 数字）

这台机器目前还不是完全自动化的；它是光与数字计算机之间的团队协作。

光的任务： 光学机器负责繁重的计算工作，即测量“能量”以及观察系统对“推力”的反应。它就像一个超快速的秤，用来称量机器人的想法。
计算机的任务： 标准的数字计算机接收这些光测量数据，并进行最后的数学运算，以更新机器人的设置。
结果： 他们在葡萄酒数据集（根据化学特征将葡萄酒分为三类）上进行了测试。该基于光的系统学习正确分类葡萄酒的准确率达到了约 90%。

4. 意义所在（以及目前还做不到什么）

效率： 与传统的计算机芯片（会发热且耗电量大）相比，使用光在潜在的能源效率方面更高。
局限性： 在这次特定的实验中，机器学习的“图案”仅限于简单的开/关开关（二进制）。这在处理葡萄酒数据时效果良好，但作者承认，除非对机器进行升级，否则它在处理更复杂的任务（如识别手写数字 MNIST）时可能会遇到困难。
未来： 他们通过计算机模拟显示，如果他们能将机器升级到可以处理“连续”数值（类似于调光开关而非仅仅是开/关），那么在识别手写数字等复杂任务上，它可以达到 97% 的准确率。

总结

作者构建了一台混合机器，利用激光和镜子来进行繁重的学习数学运算，同时由计算机处理最终的调整。他们成功地教会了这个基于光的系统如何对葡萄酒进行分类。虽然它目前还不是所有计算机的完美替代品，但它证明了我们可以利用光的物理特性，以一种比现有方法更快、也可能更环保的方式来训练人工智能。

该论文并未声称：

它并不声称该系统已准备好取代你的智能手机或笔记本电脑。
它并不声称该系统可以诊断疾病或用于医院。
它并不声称该系统目前在识别面部或驾驶汽车等复杂任务上是完美的（它目前仅在葡萄酒数据上表现良好，并在模拟实验中用于手写数字）。

技术摘要：利用空间光子伊辛机实现平衡传播

问题陈述
硬件实现机器学习算法对于提高能源效率（特别是在光子系统中）的需求日益增长。然而，最先进的数字网络依赖于误差反向传播算法，由于该算法需要双向光传播和精确的相位测量，因此很难映射到模拟物理系统中。基于能量的对比方法通过利用物理基质的内在动力学提供了一种替代方案，但平衡传播（Equilibrium Propagation, EP）——一种无需显式反向传播即可训练能量网络的框架——的实验实现仍然很少。现有的物理实现通常需要外部数字更新循环，或者作为全自主系统运行，且扩展性有限。目前需要一种能够执行 EP 所需的梯度更新的并行、高能效物理系统。

方法论
作者提出并演示了一种使用空间光子伊辛机（Spatial Photonic Ising Machine, SPIM）实现的混合光-数平衡传播方案。该方法的核心包括：

能量泛函与动力学： 系统训练一个动力系统，使其弛豫到能量泛函 $E$ 的基态。该能量包括输入偏置、二次相互作用、边界二次项以及输出神经元的代价项。可学习参数为相互作用矩阵 $J_{in}$ 和 $J_{dyn}$ 。
SPIM 编码： 为了绕过评估相互作用梯度（ $O(N_d^2)$ 矩阵-向量乘法）的计算瓶颈，作者利用了 SPIM。他们采用规范变换方法，将连续神经元状态（ $s_i \in [-\pi/2, \pi/2]$ ）和秩-1 二进制可训练模式（ $\xi_{k,i} \in \{-1, 1\}$ ）编码为空间光调制器（SLM）上的相位调制。
哈密顿量评估： SPIM 通过自由空间传播和单次强度测量来计算哈密顿量 $H_{SPIM}$ 。通过对秩-1 Mattis 问题进行线性组合，系统实现了相互作用矩阵的全功能可编程性。
梯度估计：
- 推理： 神经元状态的梯度通过有限差分方案进行估计，这需要两次带有偏移相位（ $\pm \pi/4$ ）的哈密顿量光学测量。
- 学习： 耦合参数（ $\lambda_k$ ）的梯度通过单次光学测量完成。对于二进制模式（ $\xi_{k,i}$ ）的梯度则通过数值方法评估，以减少实验运行时间，尽管论文指出理论上也可以通过光学方式进行评估。
优化循环： 系统遵循双层优化：内层循环最小化能量（推理），外层循环根据系统对“推动”输出神经元趋向目标的敏感度来更新参数。作者利用二进制优化器（BOP）来更新二进制模式，并在数值模拟中使用标准优化器（如 Adam）处理连续变量。

核心贡献

混合实现： 本文展示了一种具体的混合光-数架构，其中 SPIM 处理计算密集型的哈密顿量及特定梯度评估，而数字组件处理剩余项和优化逻辑。
连续神经元表示： 通过改进规范变换方法，作者成功地在原本为二进制变量设计的硬件平台上表示了连续神经元状态，克服了标准 SPIM 的显著局限性。
实验验证： 该系统在 Wine 分类数据集上进行了实验验证，实现了 $89.7 \pm 3.2\%$ 的测试准确率。
数值可扩展性分析： 作者在 MNIST 数据集上进行了广泛的数值模拟。他们表明，未来的 SPIM（通过消除对 $\xi$ 的二进制限制使用连续参数）可以达到 $97.81 \pm 0.15\%$ 的准确率。此外，他们还证明了该架构在受限资源（例如 8 位精度）下依然可行，并能支持结构化、更深层的架构。

结果

实验（Wine 数据集）： 该混合系统在七次独立运行中实现了平均测试集准确率 $89.7 \pm 3.2\%$ 。该结果与模拟准确率（ $98.2\%$ ）之间的差异归因于实验噪声（散粒噪声、相位波动、激光功率不稳定），这些噪声充当了影响平衡态的有效温度。
推理加速： 训练后，能量景观呈现出明显的吸引子盆地，使得推理可以通过单步梯度下降实现加速，同时保持 $85.71 \pm 2.3\%$ 的准确率。
数值（MNIST 数据集）：
- 使用连续参数时，系统达到了 $97.81 \pm 0.15\%$ 的准确率，与标准的 EP 实现和其他光子模拟相当。
- 缩放研究表明，最小配置（ $N_d=32, K=22$ ）即可超越线性分类器。
- 量化分析显示，将神经元精度降低到 8 位（与 SLM 分辨率一致）可以在不降低准确率的情况下显著加速推理步骤，而 4 位精度会导致性能明显下降。

意义与主张
本文声称提供了一条“实现平衡传播的高能效物理实现的具体路径”。通过利用 SPIM 的并行性，该方法避免了光学反向传播的严格硬件约束（如双向传播和精确相位测量）。作者强调，其方法允许直接复用可扩展的 SPIM 平台来执行标准的机器学习任务，而无需复杂的物理系统或用于训练的精确数字孪生。

这项工作拓宽了 SPIM 在二次无约束二进制优化（QUBO）和玻尔兹曼机训练之外的潜在应用，将其定位为模拟、低能耗神经形态计算的有力候选者。作者总结道，虽然目前的实验限制（二进制模式、噪声）影响了复杂数据集上的表现，但未来的硬件改进（连续参数、更大规模的 SLM、波长复用）可以充分实现该方法的潜力。

1. “能量景观”类比

2. 光学机器（SPIM）

3. 混合方法（光 + 数字）

4. 意义所在（以及目前还做不到什么）

总结

类似论文