光學運算瓶頸有解：中國研究團隊開發「數位孿生」系統，讓 AI 訓練無需排隊搶硬體

隨著 AI 與深度學習的運算需求激增，傳統電子系統面臨效能瓶頸，利用光進行數據處理的「光學運算（Optical computing）」因具備高速、低能耗與強大的平行處理能力，成為學界關注的替代方案。然而，這類技術長期受限於硬體資源的稀缺性，導致研究進度緩慢。

硬體資源共享的開發困境

光學運算系統的開發高度依賴實體硬體平台。在現有研究環境中，多位研究人員若要使用同一套系統，必須依序排隊，且每當更換使用者時，都需重新調整參數並進行繁瑣的錯誤校準。這種「等待、調整、再校準」的循環，不僅大幅增加了試錯成本，更讓多項研究難以同步進行。

數位孿生技術的突破

為了克服上述瓶頸，研究團隊在《光電進展（Opto-Electronic Advances）》期刊發表了「數位孿生光學運算系統（Digital Twin Optical Computing System, DT-OCS）」。該架構能在軟體環境中，精確複製實體光學系統在不同配置參數下的輸入輸出反應。

研究團隊利用高速光學運算系統搭配矽光子特徵運算晶片，針對影像分類與序列決策任務進行測試。結果顯示，在數位孿生模型中訓練並優化的參數，能直接轉移至實體硬體，且效能表現與模型預測高度吻合，驗證了該方法的準確性與可轉移性。

研究團隊將 DT-OCS 定義為「一個可重現、易於存取且具備擴展性的軟體資源，旨在促進更廣泛的共享與驗證。」

研究平台的開源化

透過將 DT-OCS 框架及其相關數據集開源，研究人員現在可以在無需接觸實體設備的情況下進行訓練與驗證。這種模式將光學運算從受限於設備可用性的特殊資源，轉變為可共享、可重現的平台。研究團隊建議，未來的光學運算系統應採用「實體硬體」與「開放數位模型」並行的雙軌結構，如同現代交通系統同時依賴實體道路與數位地圖，以確保技術發展的成熟度與效率。