光学神经网络具有高并行、低延迟和低功耗等优势，但现有系统大多采用“电子域预训练—光子芯片权重映射”的工作方式，难以有效补偿热漂移、器件噪声和制造误差等硬件非理想因素。直接开展片上训练又面临梯度估计困难、反向传播光路复杂以及器件参数更新效率低等问题。
针对上述问题，研究团队以电子深度神经网络为教师网络，将其中间层特征作为局部监督信号，逐层指导由4×4马赫–曾德尔干涉仪（MZI）子网络构成的光学学生网络。该方法利用实测前向差分估计光子参数梯度，无需构建光学反向传播链路，并可对不同光学层的局部梯度进行并行计算。与此同时，块状MZI参数化用于压缩可训练参数，层级蒸馏用于维持深层网络的特征表达能力。
该研究成果以《Distillation-guided optical neural networks with reinforcement learning-assisted calibration》为题，发表于光学领域顶级期刊《Optica》。中心邹宁睦副教授、江伟教授和张益昕教授为共同通讯作者，中心博士生邸康健、于福浩博士和博士生陈思霖为共同第一作者。
相关工作示意图
论文扉页
论文链接：https://doi.org/10.1364/OPTICA.591264
（邸康健报道）