前言近日上海理工大学团队在《Light: Science Applications》期刊上发表了一项重磅研究(https://doi.org/10.1038/s41377-026-02394-3)提出了一种生物启发的无反向传播光学神经网络B-ONN。该研究通过引入逐层目标传播机制和可训练的误差卷积核彻底绕开了传统反向传播对光学路径互易性的严苛要求实现了在光学域内全并行、低功耗的原位训练。核心技术1.逐层目标传播切断误差链B-ONN摒弃了全局误差逐层回传的传统范式改为每层独立生成自己的“目标信号”。其核心机制可概括为每一层只依赖后一层的局部误差来调整自身参数引入可训练的误差卷积核E将后层误差直接“翻译”成当前层的理想输出目标当前层的实际输出只需向这个独立目标靠拢无需等待全局误差信号。这样误差传播的“链条”被彻底切断每层都可以“各自为政”地进行参数更新实现了真正的分布式并行学习。2.可学习误差卷积核无需精确共轭传统BP要求误差回传时使用前向权重的转置共轭矩阵这在光学中意味着需要严格的光路可逆。B-ONN的误差卷积核E是独立可训练的参数矩阵它不依赖于前向权重的数学变换而是在训练过程中自主学习如何“近似”前向算子的逆变换。研究团队的几何分析显示训练开始时E与理论伪逆之间的夹角为90°完全正交随着训练进行该夹角迅速收敛至约34°。这说明E并非机械地复制数学逆变换而是学会了一个具备正则化效果的“智能逆算子”——既能有效反卷积误差信号又能抑制高频噪声保证数值稳定性。3.全光原位训练硬件实现B-ONN不仅是一个算法概念研究团队还从物理硬件层面完整实现了全光原位训练系统包含三大创新单元光学复振幅编码单元OCEU仅用单个相位型空间光调制器即可实现复振幅调制突破了传统纯相位调制的限制光学局部误差单元OLEU基于马赫曾德尔干涉仪在光域内直接完成减法运算避免了光电转换的信息损失和延迟光学并行梯度单元OPGU通过空间干涉实现全像素同步梯度计算单次CMOS曝光即可捕获所有像素的梯度信息计算效率提升数个数量级。研究意义性能验证与BP方法旗鼓相当研究团队在MNIST和Fashion-MNIST数据集上对B-ONN进行了全面测试。结果表明3层B-ONN在MNIST上达到93.25%的准确率与传统BP训练的ONN差距小于0.5%在更深层网络中7-9层B-ONN甚至反超传统方法9层架构下达到95.10%的最高准确率而T-ONN则因梯度不稳定问题性能下滑。这说明B-ONN的局部学习机制在深层架构中具有天然的稳定性优势。鲁棒性天生“抗造”无需噪声增强训练更令人振奋的是B-ONN对环境扰动的耐受能力。在未经过任何噪声增强训练的前提下面对相位噪声σ≈0.4πB-ONN仍保持约75%准确率而传统ONN已跌至60%以下面对±3像素的横向对准误差B-ONN准确率依然高于75%而T-ONN在仅偏移1-2像素时就出现断崖式下跌。这种鲁棒性的根源在于B-ONN学习到的相位分布天然平滑具有宽而平的损失地貌相当于一个内置的低通滤波器从根本上抑制了高频扰动的影响。实验验证从SLM到芯片级集成研究团队不仅在空间光调制器平台上完成了物理实验验证四类手写数字识别物理准确率95%还进一步将B-ONN推进到了芯片级集成的衍射深度神经网络架构。通过双光子聚合纳米打印技术制备的芯片在物理测试中实现了94%的分类准确率。更有趣的是B-ONN学习到的连续平滑相位分布恰好与双光子聚合工艺带来的表面圆滑效应相适配——算法天然“预见”并适应了制造过程中的物理平滑展现出“即训即用”的制造友好性。图1B-ONN的框架图2B-ONN在MNIST和Fashion-MNIST数据集上的性能表现图3B-ONN对抗系统噪声与对准误差的鲁棒性评估图4B-ONN用于手写数字分类的仿真与实验结果图5基于B-ONN的双层芯片用于手写数字分类的仿真与实验结果【注】小编水平有限若有误请联系修改若侵权请联系删除