由于光子预算被限制为每个标量乘积少于一个光子，研究人员使用光学神经网络来实现非常高的手写数字分类精度。它可以极大地提高处理器的计算性能，满足不同应用场景的需求。如上图2b 所示，为了证明可以使用每个标量积使用少于1 个光子的大型矢量来计算该设置，研究人员测量了大小约为500,000 的矢量之间点积的数值精度。同时，这些研究结果表明，光学神经网络在原理上比电子神经网络具有更多的基础能量优势。
近日，中国科学院宣布，其集成光电子学国家重点实验室与微波光电子研究组李明研究员、朱宁华院士团队研制出超高集成光学卷积处理器。研究人员首先在5 种不同的光子预算下评估了MNIST 数据集中的前130 个测试图像：每个标量乘法0.03、0.16、0.32、0.64 和3.2 个光子（图3b 中图的橙色点）。每次矩阵乘法使用的光子少于一个，手写数字识别准确率超过90%，光学神经网络的效率提高了几个数量级。
1、光学卷积处理器与cpu的区别
如果向量足够大，那么即使每个空间模式的平均光子数远小于1，击中探测器的光子总数也可能远大于1，因此如图1c 所示，点积答案准确读出是可能的。这对于能效和热管理来说是一个重要突破，特别是在处理大规模数据和复杂模型时，能耗和发热问题一直是制约处理器性能的关键因素。
2、光学卷积处理器的优缺点
这样的结果证明了低光功率运行的原理，为光处理器的实现开辟了道路：只要精心设计数据存储和控制的电子系统，每次标量乘法仅需要10^-16 J的总能量。其效率比当前的数字处理器高出几个数量级。这款超高集成光学卷积处理器的问世，标志着我国光计算领域的重大突破。在美国主导的人工智能和AI计算芯片快速发展的背景下，光计算具有极其重要的战略和现实意义。
3、光学卷积处理器的制作
在最近的一项研究中，来自美国康奈尔大学等的研究人员证明，光学神经网络在手写数字分类方面可以实现极高的准确度：大约3.2 次检测用于权重乘法，产生的光子可以实现99% 甚至更多的准确度仅使用约0.64 个光子（约2.410^-19 J 光能）即可实现超过90% 的准确度。一旦放大，大规模乘法和累加运算就可以在光域中完全并行执行，并为电子信号和光信号之间的转换成本提供缓冲空间。
该团队创新地将波分复用技术与光的多模干涉相结合，利用波长来表征内核元素。输入到输出的映射实现了卷积中的乘法过程，波分复用和光电转换实现了卷积中的乘法过程。加法运算通过调节四个热调节移相器实现相关卷积核的重构。