光计算为满足日益增长的计算需求提供了一条前景广阔的途径。然而光模拟计算易受环境扰动影响高度依赖数模转换器和模数转换器并需要电子或光子非线性运算。尽管光数字计算缓解了部分问题但其对人工、任务特定配置的依赖阻碍了更广泛的应用如推理。本文提出光逻辑卷积神经网络OLCNN的概念展示了一种用于模式生成的1×3光逻辑卷积算子OLCO并验证了其在20 Gbit/s下的高速计算能力。随后实现2×2 OLCO 以执行三种图像边缘提取任务。通过扩展设计构建了3×3 OLCO 的 OLCNN 实现在 MNIST 数据集上达到四分类准确率95.1%的测试结果。通过将光逻辑器件与神经网络协同应用本研究开创了人工智能领域高速、节能光硬件的逻辑驱动范式。算力瓶颈下的新曙光当摩尔定律逼近物理极限传统电子芯片在功耗、延迟和发热方面的困境日益凸显。人工智能尤其是大模型和实时视觉任务的爆发式增长让“算力饥渴”成为整个行业的核心痛点。光计算凭借其高带宽、低功耗、天然并行的优势被视为后摩尔时代的“救星”之一。然而此前的光学神经网络ONN大多采用模拟计算范式——依赖数模/模数转换器DAC/ADC、易受环境扰动、且需要额外实现非线性激活函数。这些问题如同“阿喀琉斯之踵”制约着光计算从实验室走向实际部署。近日来自中国的研究团队在《Science Advances》上发表了一项突破性成果光学逻辑卷积神经网络OLCNN。他们另辟蹊径用布尔逻辑运算彻底取代了传统的加权求和与模拟非线性激活为高速、低功耗、高鲁棒性的光子AI计算开辟了一条全新道路。核心突破从“模拟”到“数字”的范式迁移研究团队核心成员包括张文凯、李京澄、张世杰等由周海龙、董建绩教授领衔。他们提出的OLCNN其最根本的创新在于计算逻辑的颠覆。传统模拟ONN每个神经元做的是“加权和非线性函数”类似于连续域内的乘加运算。这需要高精度DAC/ADC且模拟信号易受噪声干扰。OLCNN新范式所有操作都在二进制域中进行。卷积核和神经元不再是做乘加而是直接执行“与、或、非、异或”等布尔逻辑操作。这意味着整个神经网络可以被看作一张巨大的、可编程的逻辑门电路网络。逻辑运算本身具有天然的非线性因此无需额外激活函数二进制数据极大降低了对精度的要求1-bit比较器即可替代高精度ADC显著降低了功耗与延迟。技术实现波长空间联合编码生成“逻辑最小项”如何用光学硬件实现可编程的逻辑运算团队祭出了“光学可编程逻辑阵列PLA”的绝活。原理并不复杂却非常巧妙联合编码利用光的波长和空间两个维度进行编码。生成最小项通过级联的波长编码器如延迟干涉仪DI和空间编码器如光开关将n个二进制输入信号的所有 2n2n 种组合即逻辑最小项映射到不同的波长通道和空间通道上。任意逻辑函数只需在输出端用波长选择开关WSS挑选并组合所需的最小项即可实现任意逻辑运算。上图来源Zhang et al., Sci. Adv. 12, eaea9278 (2026) Fig.1实验验证从边缘提取到手写数字分类研究团队在三种不同规模的平台上验证了OLCNN的可行性与扩展性1. 1×3 OLCO高速模式生成20 Gbit/s在铌酸锂LNOI平台上团队构建了1×3光学逻辑卷积算子OLCO。他们成功演示了初等元胞自动机ECA的演化——仅从一个活细胞开始经过64次迭代生成了复杂的时空图案。运算速度高达20 Gbit/s展现了惊人的实时处理能力。上图来源Zhang et al., Sci. Adv. 12, eaea9278 (2026) Fig.22. 2×2 OLCO三种图像边缘提取在硅光SOI平台上团队利用微环辅助的延迟干涉仪MRR-assisted DI构建了2×2 OLCO支持16个波长通道。他们演示了三种逻辑边缘提取水平边缘提取Y(I1I2)⊕(I3I4)Y(I1​I2​)⊕(I3​I4​)垂直边缘提取Y(I1I3)⊕(I2I4)Y(I1​I3​)⊕(I2​I4​)全方向边缘提取Y(I1⊕I4)(I2⊕I3)Y(I1​⊕I4​)(I2​⊕I3​)实验结果与模拟完全一致证明了OLCO在图像预处理中的实用价值。上图来源Zhang et al., Sci. Adv. 12, eaea9278 (2026) Fig.43. 3×3 OLCNNMNIST四分类准确率95.1%最终团队构建了完整的OLCNN用于MNIST手写数字识别。他们将28×28图片压缩并二值化为9×9采用两层3×3逻辑卷积核加全连接逻辑神经元的结构。核心结果四分类0/1/2/3测试准确率96.15%四分类4/5/6/7测试准确率94.05%平均准确率95.1%即使面对十分类任务0-9经过网络深度扩展后准确率也可达88.42%。考虑到输入图片经历了剧烈的压缩和二值化这一成绩非常惊艳有力证明了“低精度逻辑运算”在模式识别中的强大能力。上图来源Zhang et al., Sci. Adv. 12, eaea9278 (2026) Fig.5深度见解为何OLCNN意义非凡这篇工作不仅是一次技术演示更代表了一种计算哲学的转变。我认为其核心价值体现在以下三点1. 真正的“数字友好型”光计算以往的光计算总被诟病“必须配一堆昂贵的DAC/ADC”。OLCNN将数据彻底二值化消除了对DAC的需求ADC也降级为1-bit比较器。这不仅大幅降低了接口功耗与延迟更让光学硬件与主流电子数字逻辑无缝衔接。据论文测算OLCO的能效可达5.2 TOPS/W较传统模拟光卷积提升了一个数量级以上。2. 天生的鲁棒性与可扩展性模拟系统惧怕噪声——一个微小的温度波动或制造误差就可能让加权结果偏离预期。而逻辑门是离散的、有阈值的。只要噪声不超过逻辑电平的判决策限结果就是正确的。这种“数字免疫”特性使得OLCNN在规模化集成时具有天然优势。3. 激活函数“免费”非线性激活函数是神经网络表达能力的核心但在光域中实现非线性极其困难且低效。OLCNN的逻辑门本身就是非线性的完全省去了激活函数模块进一步简化了系统降低了损耗。展望与挑战当然OLCNN目前仍处于概念验证阶段。其挑战在于精度与效率的权衡极端二值化会损失信息对于更复杂的任务如高分辨率自然图像可能需要更精细的编码策略。规模扩展随着输入比特数增加所需波长/空间通道数呈指数增长2mn2mn。论文中3×3算子已用到256波长如何更高效地复用资源是工程难题。但不可否认这项研究为光计算指出了一条极具潜力的新路径——不是用光去模仿电的“模拟乘加”而是发挥光的并行性去执行“大规模逻辑运算”。在边缘计算、物联网、低功耗AI推理等场景中OLCNN有望率先落地。当世界都在追逐更高精度的浮点运算时这群研究者反其道而行用最简单的“0和1”叩开了光计算实用化的大门。或许有时候“退一步”的智慧反而能看见更广阔的海阔天空。论文信息Zhang et al.,Optical logic convolutional neural network, Science Advances, Vol 12, Issue 9, 2026. DOI: 10.1126/sciadv.aea9278Science子刊新作20Gbit/s边缘提取、95%手写识别光学逻辑卷积神经网络首秀即惊艳