Nature 审稿人在审稿评述中指出“本文中提出的想法非常新颖，此类光学神经网络（ONN）的训练过程是前所未有的。所提出的方法不仅有效，而且容易实现。因此，它有望成为训练光学神经网络和其他光学计算系统的广泛采用的工具。”

据清华大学官方介绍，近年间，具有高算力低功耗特性的智能光计算逐步登上了算力发展的舞台。通用智能光计算芯片“太极”首次将光计算从原理验证推向了大规模实验应用，拥有 160TOPS / W 的系统级能效，但现有的光神经网络训练严重依赖 GPU 进行离线建模并且要求物理系统精准对齐。

据论文第一作者、电子系博士生薛智威介绍，在太极-II 架构下，梯度下降中的反向传播化为了光学系统的前向传播，光学神经网络的训练利用数据-误差两次前向传播即可实现。两次前向传播具备天然的对齐特性，保障了物理梯度的精确计算。由于不需要进行反向传播，太极-II 架构不再依赖电计算进行离线的建模与训练，大规模神经网络的精准高效光训练终于得以实现。

论文研究表明，太极-II 能够对多种不同光学系统进行训练，并在各种任务下均表现出了卓越的性能：

• 大规模学习领域：突破了计算精度与效率的矛盾，将数百万参数的光网络训练速度提升了 1 个数量级，代表性智能分类任务的准确率提升 40%。

• 复杂场景智能成像：弱光环境下（每像素光强度仅为亚光子）实现了能量效率为 5.40×10^6 TOPS / W 的全光处理，系统级能效提升 6 个数量级。在非视域场景下实现了千赫兹帧率的智能成像，效率提升 2 个数量级。

• 拓扑光子学领域：在不依赖任何模型先验下可自动搜索非厄米奇异点，为高效精准解析复杂拓扑系统提供了新思路。