光学卷积计算：原理、应用与挑战

卷积是现代深度学习的基础，但它占据了端到端计算和数据传输的绝大部分，进一步加剧了后摩尔时代电子架构中的“内存墙”问题。随着光子学技术的成熟，光学卷积加速器凭借其天然具备的并行传输、多路复用和线性叠加优势，重新成为一条极具前景的发展路径。尽管该领域进展迅速，但现有研究依然较为零散，表现为物理机制繁杂、卷积神经网络算子支持不完整以及评估标准不一致。

卷积的定义与原理

本综述基于两项数学原理，提出了一种统一的分类方法来梳理该领域：

（1）基于定义的光学卷积，即将乘加运算直接映射为光学调制；

（2）基于定理的光学卷积，即通过傅里叶光学和光谱滤波实现变换域的乘法。文章综合了涵盖多种物理机制的代表性架构，阐明了混合光电实现中共享的系统级信号链，并深入探讨了影响实际性能的关键因素，包括精度、可扩展性、校准以及全链条的能耗核算。

最后，作者按数据维度（从宽带射频信号到高阶张量处理）全面考察了其应用场景，并概述了决定未来可部署光学卷积硬件的关键挑战——即器件与算法的协同设计。

DOI：10.67704/ioe.2026.260003