隨著大模型等人工智能技術(shù)的突破與發(fā)展，算法復(fù)雜度劇增，對傳統(tǒng)計算芯片帶來了算力和功耗的雙重挑戰(zhàn)。近年來，以光計算為基礎(chǔ)、通過光電融合的方式構(gòu)建光電神經(jīng)網(wǎng)絡(luò)的計算處理方法已經(jīng)成為國際熱點研究問題，有望實現(xiàn)計算性能的顛覆性提升。然而，光電神經(jīng)網(wǎng)絡(luò)的前向數(shù)學(xué)模型由對光場的精準(zhǔn)物理建模得到，計算復(fù)雜度高、參數(shù)冗余度大；其學(xué)習(xí)機(jī)制沿用人工神經(jīng)網(wǎng)絡(luò)常用的梯度下降算法，面向大規(guī)模光電神經(jīng)網(wǎng)絡(luò)時優(yōu)化速度慢、資源消耗高、收斂效果差。因此，現(xiàn)有學(xué)習(xí)架構(gòu)僅能支撐小規(guī)模光電神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，其網(wǎng)絡(luò)容量和特征捕獲能力不足以有效處理ImageNet等大型復(fù)雜數(shù)據(jù)集。 Zj5B}[,l\  
^g N/