光子神经网络ONN的训练策略探秘

可视化演示

展示ONN光信号前向传播、可微光学元件反向传播梯度更新，以及仿真与物理部署间的Loss Gap可视化。

ONN训练基础

想象灯光师走进一座崭新的剧场，发现这里的灯具不是传统电子调光台，而是一排排靠“拧相位旋钮”控制的光学仪器。光在其中以接近物理极限的速度奔跑，功耗却低得惊人。但问题随之而来：这些“光学灯具”该怎么训练？灯光师习惯了电子调光台的“电流权重”——想调多亮就调多亮，正负随意。可光学灯具的旋钮是相位和分束比，读出的光是光强，永远是正的。这套全新的“调光语言”彻底改变了训练玩法。

这就是光子神经网络（ONN）训练的第一个认知转变：它是用光信号完成矩阵计算的计算范式，天然适配神经网络中的线性层，但它的“权重”是光学元件的物理参数。电子芯片里的梯度下降可以直接操纵连续权重，而光芯片的参数有周期性、有物理误差、还有读数方式带来的非线性。直接把 PyTorch 那套流程搬到光芯片上，就像把电子调光台的说明书硬套在光学灯具上——根本拧不动。

训练要从“可微的光学元件”入手。马赫-曾德尔干涉仪（MZI）是最常见的可调单元，由两个分束器和两个移相器构成，它的传递函数对相位参数可微。只要整个光路的数学模型可微，梯度就能算出来，反向传播就有了立足点。我们把光网络整体看作一个参数化矩阵 $M(\theta)$，输入 $x$ 经过它得到输出 $y$。

灯光师要想调好这套光学灯具，第一步就是理解每个旋钮与幕布光影之间的对应关系——这正是可微性带来的礼物。没有可微，就没有方向；有了可微，每一次拧旋钮都有据可依。

前向光学传播

演出开始，光束从灯出发，经过透镜组、反光镜，一层层投射到幕布上。每一层光学器件都在改变光束的方向和强度。灯光师并不需要真的“看见”每一层内部的物理细节，他只需要知道：光从入口进去，经过这一整串灯具，最终会在幕布上形成怎样的光影。这就是 ONN 的前向传播——让光真实地穿过整个芯片。

光在波导中传播是相干叠加的，波导把光束约束在纳米尺度的“光轨”上。MZI 这个基本灯具通过两条光路的相位差形成干涉，等效于一个 $2\times 2$ 的酉矩阵——一种保持能量守恒的线性变换。把许多 MZI 排成网格，每一层就对应一次矩阵乘法。整个芯片等效于一个大型酉变换 $U(\theta)$，输入光场经过它得到输出光场。

前向传播在训练中承担着“试演”的角色。每一次参数更新后，都要让光真实地跑一遍，读出幕布上的光影（探测器阵列的光强分布），与导演想要的目标光影对比，算出损失。这里的损失不是抽象的数字，而是实实在在的光强差距——哪里太亮、哪里太暗，一目了然。

每一层灯具都在“加工”光束，直到最后一盏灯把光投到幕布上——这就是一次前向演出，也是训练时最自然的一次“试演”。试演之后，才是真正考验灯光师功夫的时刻：怎么根据幕布上的偏差，倒推出每一盏灯该怎么拧。

光域反向传播

导演皱起眉头：“幕布右边的光斑太亮，左边的太暗。”灯光师站在舞台中央，眼睛盯着幕布，脑子里却开始倒着过一遍每一盏灯的线路：这团太亮的光，是从哪几盏灯来的？它们各自的旋钮该往哪个方向拧、拧多少？这个“从结果倒推原因”的过程，就是 ONN 训练中的光域反向传播。

光域反向传播的关键在于：每个光学元件的传输函数都可微。因此可以像电子深度学习一样，用链式法则把损失对输出的敏感度传回每一个相位参数。工程上常用的实现有两种：一是建立可微的数字模型，在模型里做标准的自动微分；二是光学伴随法——让一束“共轭光”从输出端反向穿过光路，用干涉来直接读出梯度。无论哪种方式，最终都得到一个数学对象：损失对每个相位参数的偏导数。

得到梯度之后，就用梯度下降更新相位参数。由于光场是复数域的量，物理上可执行的更新方向取梯度的实部。这一步有点像灯光师在笔记本上写下“三号灯逆时针拧 5 度，五号灯顺时针拧 3 度”，然后逐个执行。

灯光师在脑子里“倒放”每一盏灯的线路，光域反向传播就是把这条脑内线路变成严格的数学和光学。有了梯度，训练就不再是盲人摸象，而是一场有方向的精密调校。

非理想特性补偿

舞台上有几盏灯用了三年开始发黄，剧场空调让温度忽高忽低，连空气里的灰尘都在调皮地遮挡光线。经验丰富的灯光师不会假装这些问题不存在，而是会准备一本“补偿簿”：哪盏灯偏亮、哪盏灯偏暗、温度每升高一度哪盏灯要额外拧多少。在真实的 ONN 芯片上，同样的问题每天都在发生。

ONN 的非理想特性来自三个主要方面。第一是工艺偏差：制造时光刻和刻蚀的微小误差，让实际相位偏离设计值，就像灯具出厂时旋钮刻度就歪了一点。第二是热漂移：温度改变材料的折射率，导致相位随温度缓慢移动，就像热胀冷缩让灯臂悄悄变形。第三是噪声：光子到达探测器像雨点一样有随机抖动（散粒噪声），加上电路热噪声，让读数不再精确。

补偿策略因此分为几个层次。在片校准：在芯片上集成参考光路和探测器，定期用已知信号“对表”；查找表：提前测出温度与相位偏移的对应关系，运行时查表修正；统计抑制：多次测量取平均，把随机抖动抹平。更重要的是，训练目标本身也应该把这些非理想项建模进去，让网络学会在“不完美的世界里”依然工作。

好的灯光师带着“补偿簿”，知道每盏灯比标称值亮多少、暗多少，提前多拧半圈。ONN 训练要落地，同样离不开对真实物理误差的建模与补偿。

物理约束与优化

灯具的旋转臂只能转有限的角度，电机转动需要时间，电力也有预算——灯光师不能要求一盏灯瞬间转到指定位置。优化方案必须贴着物理真实来设计。ONN 训练遇到的正是这类“带着镣铐跳舞”的问题：光学参数不是数学世界里任意精确的浮点数，而是一个个有物理边界的旋钮。

最典型的约束是相位范围。相位参数通常在 $[0, 2\pi)$ 区间内，超出部分会折叠回来，梯度下降时要特别小心边界效应——参数一旦越过边界，就会像旋转臂转过了头，反而回到原点附近。其次是调制速率：热光调制器靠加热改变折射率，响应速度慢（微秒到毫秒级）；电光调制器快但能耗高。如果训练结果要求相位在极短时间内大幅跳变，硬件根本跟不上。第三是能耗约束：热光调制本质上是给芯片“加热”，大量相位同时更新会带来可观功耗。

因此，训练策略必须引入“物理意识”。参数更新后要投影回有效范围，避免越界；对于实时推理敏感的任务，训练出的参数要避免过于陡峭的相位跳变；更系统的做法是鲁棒优化——让训练目标对器件扰动不敏感，把参数解推向“安全区”。这样即使某个旋钮偏了几度，整个网络的性能也不会崩塌。

灯光师在安全操作手册里优化灯光方案，既保证效果又保证设备不坏——物理约束下的 ONN 训练正是这种“戴着镣铐跳舞”的工程艺术。

仿真训练方法

新剧上演前，灯光师先在电脑 3D 软件里搭建一座“数字剧场”，把所有灯具的参数输入进去，一遍遍地预演。预演通过之后，才把方案拿到真实舞台去装灯。这样既省钱又安全——总不能在真剧场里一遍遍试错，把昂贵的灯具烧坏。ONN 训练遵循同样的逻辑：先在仿真器里训练，再部署到真芯片。

仿真训练的核心是“数字孪生”：用可微的器件模型构成模拟器，让光网络在电脑里先学会计算。模拟器里的 MZI 用理想传递函数加上非理想修正项来建模，既保留了可微性，又逼近真实器件行为。工程师在模拟器里做标准的反向传播训练，可以快速尝试各种拓扑结构和超参数。但仿真和真实之间总有不匹配，称为 sim-to-real gap——电脑预演再完美，真实舞台上的烟尘、灯老化、电压波动总会带来意外。

弥合 gap 的主要手段有三种。领域随机化：训练时随机扰动器件参数，让网络见过各种“不完美”的情况，增强鲁棒性。领域迁移：用少量真实芯片的测量数据微调仿真训练出的参数，像灯光师到了真剧场快速走一遍台。硬件在环：把真实芯片接入训练循环，每次迭代都用真芯片的前向结果计算损失，让训练始终贴着硬件真实。

电脑预演能解决 90% 的问题，剩下 10% 必须在真实舞台上临场调整——这就是硬件在环的价值。聪明的工程师从第一天起就把“仿真+实机”当作一个整体来设计训练流程。

训练部署与未来

首演之后，灯光师并没有觉得万事大吉。每晚演出，他都会根据观众反应和灯具老化情况，悄悄微调灯具的位置和角度。他的灯光系统越用越顺手。ONN 训练的未来也是如此——训练不是一次性的，而是贯穿芯片整个生命周期的持续过程。

训练部署差距（training-deployment gap）是未来要持续面对的课题。芯片会老化，环境会变化，仿真模型会过时。因此，持续学习成为必备能力：在推理间隙插入短暂的校准阶段，用实时数据微调相位参数。更进一步的发展方向是片上训练——把小型控制电路与光芯片做异构集成，让芯片在运行环境中自主完成“前向传播-计算梯度-更新相位”的闭环。这样，芯片不再是一个“出厂即固定”的硬件，而是一个能自我进化的计算系统。

发展趋势也逐渐清晰：更大规模的可编程光阵列，成千上万个 MZI 集成在单一芯片上；与 CMOS 工艺的异构集成，让电子控制和光学计算各司其职；用 AI 辅助设计光器件本身，形成“用 AI 设计光、用光运行 AI”的循环。而在训练架构上，光电混合是最务实的路径——电子负责算梯度和控制，光学负责高速前向传播，两者配合，各取所长。

真正成熟的灯光系统，是在一次次演出中不断进化出来的。ONN 的训练策略，也正从“一次性离线训练”走向“边用边学的持续演化”。

AI 应用场景

Python 演示

import numpy as np # 可微光学元件：MZI(马赫-曾德尔干涉仪)def mzi(x, theta, phi):    # 单个MZI对2维光信号的酉变换    U = np.array([        [np.cos(theta) * np.exp(1j * phi), 1j * np.sin(theta)],        [1j * np.sin(theta), np.cos(theta) * np.exp(-1j * phi)]    ])    return U @ x, U # 前向传播: 光信号逐层穿过MZI网络def forward(x, params):    v = x.astype(complex)    Us = []    for theta, phi in params:        v, U = mzi(v, theta, phi)        Us.append(U)    return v, Us # 损失: 输出光强与目标光强的差距def loss_fn(y_pred, y_true):    return np.mean(np.abs(y_pred - y_true) ** 2) # 数值梯度: 模拟光路的可微性, 用有限差分估计梯度def numerical_grad(x, y_true, params):    grad = []    eps = 1e-4    for i in range(len(params)):        gi = []        for j in range(2):            p_up = [np.array(p) for p in params]            p_up[i][j] += eps            y_up, _ = forward(x, p_up)            p_dn = [np.array(p) for p in params]            p_dn[i][j] -= eps            y_dn, _ = forward(x, p_dn)            gi.append((loss_fn(y_up, y_true) - loss_fn(y_dn, y_true)) / (2 * eps))        grad.append(np.array(gi))    return grad # 训练主循环: 梯度下降更新相位参数def train():    x = np.array([1.0, 0.5], dtype=float)    y_true = np.array([0.7, 0.2], dtype=float)    params = [np.array([0.8, 0.4]), np.array([1.1, 0.9])]    lr = 0.05    for epoch in range(50):        y_pred, _ = forward(x, params)        grad = numerical_grad(x, y_true, params)        for i in range(len(params)):            params[i] -= lr * grad[i]        if epoch % 10 == 0:            print(f"epoch {epoch:2d}, loss = {loss_fn(y_pred, y_true):.5f}")    print("final |y| =", np.round(np.abs(y_pred), 4)) if __name__ == "__main__":    train()

1. U @ x光信号穿过一个 MZI 的数学抽象，对应前向光学传播中的矩阵变换
2. np.cos(theta) * np.exp(1j * phi)相位调制，$\theta$ 和 $\varphi$ 就是“灯光旋钮”
3. np.abs(y_pred - y_true) ** 2探测器读光强，误差按光强差距计算
4. numerical_grad用有限差分模拟“可微光路”，每次扰动一个参数观察损失变化
5. params[i] -= lr * grad[i]梯度下降拧相位旋钮，对应光域反向传播的参数更新

常见误区

面试题