导读： 在人工智能算力需求呈指数级增长的今天，光计算（Photonic Computing）凭借超低延迟和高能效被寄予厚望。储备池计算（Reservoir Computing, RC）是一种硬件有好的，训练高效的计算范式。然而，现有的光电储备池计算系统往往受限于固定的拓扑连接，难以在复杂多变的任务中展现出足够的灵活性 。
近日，复旦大学迟楠、赵海斌、李子薇团队联合曦智科技（Lightelligence），在顶级期刊《Laser & Photonics Reviews》上发表了最新突破性成果 。研究团队在可编程硅光计算引擎（PACE）上，通过集成64个物理节点和可调互连拓扑，实现了根据计算需求的灵活可配置的储层结构。这项研究工作为高速神经形态计算提供了可扩展的、任务适应的解决方案，进一步推进了光子智能的实际部署。
图1：储备池计算的架构示意图及提出的光电储备池计算的动态状态演化机制
☆核心痛点：光电储备池计算为何需要“可重构”？
储备池计算是一种对硬件极其友好的循环神经网络变体，其核心优势在于只需训练输出层权重，而储备池内部的连接权重是固定且稀疏的 。在此之前，业界主流的光学 RC 实现方式主要分为两种：
1. 时间延迟（TD-RC）： 通过时间复用单节点来模拟多节点，虽然速度快，但虚拟节点之间的耦合存在限制，缺乏灵活性。
2. 多物理节点并行（MP-RC）： 采用微环谐振器（MRRs）或多模干涉仪（MMIs）等无源器件组合，虽然具备并行优势，但通过无源互连设计，动态特性就难以调整，且面临扩展挑战，规模通常难以突破32个节点。
图2：TD-RC和MP-RC的示意图
为了适应多样化的计算任务，打破硬件拓扑固定的枷锁成为了破局的关键。
☆硬件与架构创新：基于 PACE 平台的大规模深度演进
该工作正是依托了目前业内高度关注的 PACE (Photonic Arithmetic Computing Engine) 系统级封装平台 。通过在硅光芯片上集成包含 2D 马赫-曾德尔调制器（MZMs）阵列的光学乘加（oMAC）算力核，系统实现了真正意义上的“可重构”。
图3：PACE的光学显微图，包含64×64光学矩阵计算加速核心
1. 超高算力与极低延迟： 平台在 1 GHz 的时钟频率下运行，实现高达 8.19 TOPS 的吞吐量，并且每次储备池状态更新的延迟仅为 3 ns。
2. 拓扑与密度的自由定义： 告别固定连接，系统支持根据任务需求灵活配置储备池层。研究中实现了单向耦合（RandF）、双向耦合（RandFB）以及任意稀疏连接（Random）等多种拓扑结构，且连接密度完全可调。
3. 时空复用的“Deep RC”架构： 依靠硬件的可编程性，团队提出了一种可扩展的深度 RC 架构。通过时空复用策略，将原本的 64 个物理节点维度，扩展到了超过 600 个有效储备池节点，极大丰富了系统的非线性处理能力，且无需在层与层之间重新配置光计算引擎，保证了处理速度 。
图4：储备池网络的拓扑代表，包含RandF、RandFP、Random拓扑，支持稀疏和稠密连接
☆性能表现：三大复杂任务
为了验证该可重构深度储备池计算架构的泛化能力，研究团队在通信和机器视觉领域的三个经典复杂任务中进行了实验打榜，均取得了 SOTA（State-of-the-art）级别的表现：
1. 复杂信道下的调制格式识别（MFI）
在存在强烈非线性失真的光通信信道中，固定前馈拓扑（FixedF）识别准确率会下降至 94.3%~92%左右。而配置了稀疏RandF和Random 拓扑的本系统可以维持极高的特征可分性，准确率可达99.8%~98.5%。通过实验验证，此项研究中通过随机拓扑稀疏连接实现了99.8%的分辨准确率。
图5：可重构储备池计算架构在调制格式识别中的应用
2. 光通信信号的非线性后置均衡（Post-Equalization）
针对 16-CAP 调制的自由空间光通信（VLC）系统，团队部署了一个 5 层（等效 320 节点）的深度 RC 网络。在强非线性失真下，采用 Random 拓扑的深度 RC 相比传统的二次 Volterra 级数近似算法，实现了0.61dB的 Q 因子提升，完美将误码率（BER）压降至前向纠错（FEC）阈值之下。
图6：可扩展的光电深度储层系统的表现
3. 图像分类（MNIST 数据集）
不仅仅是时序信号，该架构在空间图像处理上同样亮眼。通过 HOG（方向梯度直方图）提取特征，并配合 10 层深度的 RandFB 拓扑结构，系统在 MNIST 手写数字识别中实现了 96.7% 的高准确率，超越了以往多数光子 RC 处理器的表现。
图7：深度储备池系统在图像分类任务上的实验
☆总结与展望
这篇研究为高速光电神经形态计算提供了一个极具扩展性和任务适应性的解决方案 。它证明了硅光矩阵架构不仅仅能做线性变换，结合灵活的外围电子控制与深层复用算法，完全可以胜任复杂的高维非线性计算 。这一突破为光计算从实验室走向真实场景的多任务处理（如语音识别、混沌时间序列预测等）铺平了道路
