作者：Marie
可编程光子处理器，通过互联波导阵列操控光线的芯片，有望为经典和量子应用提供更快、更节能的计算。但它们面临一个持久的问题：制造缺陷意味着每个芯片的行为略有不同，而校准它们以执行任意计算是出了名的困难。
来自瓦伦西亚理工大学、巴黎萨克雷大学和女王大学的研究人员发表的一篇新预印本，提出了一种串联神经网络框架，该框架显著提高了这些器件的校准精度，而且关键在于，它能够泛化到任意光学操作，而不仅仅是网络训练过的那些操作。
问题
光子处理器使用马赫-曾德尔干涉仪（MZI）的网状网络，即分裂和重组光线的光学元件，对光信号执行可编程的幺正变换。3×3网格使用6个MZI；4×4网格使用10个。每个MZI需要精确的电流调谐以实现所需的相移。制造差异、热串扰和环境漂移意味着相同的电流设置在不同的芯片上会产生不同的结果，甚至在同一芯片的不同时间也会产生不同的结果。
标准校准方法在固定范围内均匀采样电流。在相干MZI网格上，这会产生高度偏斜的实际光学操作分布，集中在所有可能变换的一小部分子集上。在这样的数据上训练的网络在熟悉的操作上表现良好，但在不熟悉的操作上失败。
方法
由Jose Roberto Rausell-Campo领导的团队设计了一种具有两个组件的串联神经网络（TNN）。前向网络学习从施加电流到芯片上实现的实际光学变换的映射，实质上是物理硬件的可微分模型。逆向网络则学习反向映射：给定所需的变换，预测实现它所需的电流。
关键的创新在于训练数据的生成方式。研究人员没有均匀采样电流，而是使用Haar测度原理从随机矩阵理论推导出正确的电流分布，这是幺正群上唯一的均匀分布。这种”架构感知采样”（AAS）方法生成了覆盖所有可能光学变换空间的训练数据。
一个完全与物理无关的变体”优化采样”（OS）使用差分进化来搜索能够产生特定目标变换的电流设置，而无需任何关于芯片内部拓扑的知识，但代价是数据采集时间显著延长。
结果
在3×3 MZI网格上，AAS将校准精度从约4.0比特（均匀基线）提高到在随机幺正矩阵测试时的6.31比特，获得了约2.3比特的提升。OS达到了5.9比特。在4×4网格上，AAS达到了5.79比特，OS达到了5.58比特，而均匀采样约为4.0比特。
关键的发现是，AAS和OS在训练分布数据和随机测试数据之间的性能偏差极小，这意味着它们实现了真正的泛化。均匀基线在随机幺正矩阵上降至约4比特，而在分布匹配数据上看起来具有竞争力。
该框架还在2×2通用相干检测门上进行了验证，实现了振幅和相位的近乎完美的同时控制，这是可编程光子电路中用于相位预测的黑箱神经网络的首次实验演示。
重要性
在量子光学计算中，光子电路需要高保真度的幺正变换来执行玻色子采样和线性光学量子计算等操作。制造误差会导致随电路规模增长的不保真度。2比特的精度提升直接转化为更高的门保真度。
在经典光学计算中，用于图像分类等任务的光子神经网络，该框架在现实工作负载上进行了测试，包括螺旋数据集上的脉冲神经网络以及CIFAR-10上的ResNet-50、Inception-V3和MobileNet-V3。使用AAS/OS的Inception-V3相比32位数字基线显示出约7%的性能下降，而均匀采样则超过了40%的性能下降。
注意事项
该预印本尚未经过同行评审。最显著的实际限制是数据采集时间：当前的仪器每次矩阵测量大约需要0.54-0.72秒。对于4×4网格上的AAS，这相当于45-300小时的数据收集；对于OS，则为162-1,600小时。作者指出，通过在热时间常数内操作或使用电光致动器，这可以减少约1,000倍，但这些改进尚未得到验证。校准是每个器件的一次性成本，推理速度快，但缓慢的数据采集限制了在更大网格上的实际应用。
披露：基于arXiv预印本2601.04122，版本2（2026年5月），尚未经过同行评审。
来源
Rausell-Campo JR, Melati D, Shastri B, Perez-Lopez D, Capmany J. “Universal Neural Network Based Calibration and Control of Programmable Classical and Quantum Photonic Integrated Processors.” arXiv:2601.04122 (v2, May 2026). DOI: 10.48550/arXiv.2601.04122
婷 翻译