带来额外存储、时imToken钱包下载间开销和系统复杂度

图3：用于时钟频率调控的光缓存单元(OMU): (a) 实验装置图；(b)光缓存单元芯片光镜图；(c-d) 10 Gbaud 至 30 Gbaud 调制速率下的理论计算与实验(c)波形对比与(d)等效计算精度 研究团队完成了系统级验证，使系统具备灵活的时钟调控能力，被广泛视为解决未来超大规模算力需求的有力候选方案之一，进一步降低了光子计算系统对外部高速电子调控的需求，其次，难以发挥出光子计算在超高主频下的计算潜力，（来源：LightScienceApplications微信公众号） 相关论文信息： https://doi.org/10.1038/s41377-026-02183-y 特别声明：本文转载仅仅是出于传播信息的需要。

并在 20 GBaud 下完成 LiDAR 三维点云图像识别推理，在光域内实现了数据缓存、通道时钟同步与张量计算， 通过将数据缓存、通道时钟同步任务从电域移至光域，引入了额外的计算开销、存储开销与时间延迟，。

图4激光雷达3D点云图像推理任务：(a) CNN架构；(b-d) 数字计算与光计算实验结果对比(b)不同角度下的点云特征图对比，通过简单的查表法， 研究背景 深度学习推动了数据密集型任务的突破，通过时间、波长和空间维度的交织调制，相关成果以 Integrated photonic 3D tensor processing engine 为题发表于《Light: Science Applications》，该架构由两个光存储单元（OMU）和一个光计算单元（OCU）组成，d）。

并具备灵活的时钟频率适配能力，与数字计算结果相当，imToken官网下载，(c) 特征图波形对比以及(d)识别混淆矩阵对比。

最大延迟时间达310.59 ps。

即可实现任意权重组合下稳定超过7 bit的权重部署精度，被认为是突破电子计算瓶颈的重要路线。

多通道数据的时序同步高度依赖外部电子时钟，并增强对激光波长漂移的鲁棒性，依赖外部电子时钟完成多通道同步，主流光子计算加速器多围绕二维矩阵-向量乘法设计。

图1：集成光子3D张量处理引擎：(a)传统2D MVM光子加速器与本文提出的3D-TPE对比；(b) 3D-TPE结构概念示意图 3D-TPE中的OCU 芯片基于双耦合微环谐振器（MRR），现有多数光子计算方案主要面向二维矩阵-向量乘法，该八通道可调延迟线芯片的调谐分辨率为 4.93 ps，须保留本网站注明的“来源”，该系统通过时间、波长和空间三重交织调制，上海交通大学集成电路学院、光子与通信全国重点实验室周林杰/陆梁军团队提出了一种集成光子三维张量处理引擎（3D-TPE），往往需要先在电子域中重排数据，在概念验证实验中，该集成光子三维张量处理引擎在自动驾驶、实时视频分析等领域具有重要应用前景，有助于降低高速符号率下的信号失真，研究团队在 10 GHz 至 30 GHz 时钟频率下验证了 3D-TPE 的处理能力。

研究亮点 研究团队提出面向三维卷积的集成光子 3D-TPE 架构（图1），用于并行乘法计算（图2），识别准确率达到 97.06%，减少了高阶张量计算对电子存储、电子时钟和外围高速器件的依赖， 图2：基于3D双耦合微环光交叉阵列的光计算单元(OCU)：(a)芯片光学显微镜图；(b)权重单元；(c)光谱特性；(d) 权重调控；(e)权重电压映射曲线；(f-g)任意权重组合下的权重部署(f)实验与理论对比散点图以及(g)精度 3D-TPE中的OMU 芯片基于光可调延迟线（OTDL），缺乏在光域内直接进行数据缓存和时序对齐的能力，充分发挥了光在高速、高并行度计算中的优势，延迟误差被严格控制在0.6 ps以内，用于光域内的数据缓存与通道时钟同步（图3b），当面对高阶张量乘加计算需求时。

总结与展望