学术搜索 · AI 审稿 · LaTeX 协作
这台光电伊辛机把复杂优化算得更快更稳，单次求解压到 0.44 毫秒
其他 · 发布 2026-07-27T15:00:00+08:00 · 更新 2026-07-27T15:20:29+08:00
这条半导体所科研进展值得看，不是因为“光计算”又多了一个概念，而是它瞄准了物流调度、金融组合和机器学习里常见的组合优化。团队提出混合神经形态光电伊辛机，用先模拟探索、后数字锁定的反馈机制，缓解传统光电伊辛机容易因振幅不均匀而卡在局部次优的问题。CAS 页面给出的结果是，在 G-set 基准上最高 99.68% 准确率、单次求解约 0.44 毫秒，在 1601 节点全连接测试里把残余能量误差压到 0.068%。更稳妥的读法是：这是一条面向特定优化任务的硬件加速路线，不是通用 AI 芯片已经成熟。
组合优化听起来抽象，但很多现实难题都属于这一类：物流怎么排车、资源怎么分配、投资组合怎么配、某些机器学习搜索怎么逼近更好答案。伊辛机可以把这类问题翻译成许多相互作用的小“自旋”共同找最低能量状态，因此常被看作专门替某类难题提速的物理求解器。真正难的地方不是概念本身，而是硬件一放大，系统很容易跑偏。
光电伊辛机的老问题是振幅不均匀。直白说，就是不同通道的信号强弱不一，会把本来应该求解的能量地形扭曲掉，让系统提早陷在不够好的局部最优。半导体所这次提出的混合神经形态光电伊辛机，用的是“先软后硬”的策略：前段保留连续模拟探索，先跨过能垒多试几种方向；后段再用数字锁定把状态收紧到明确的二元选择，减少最后收敛时的飘忽。
CAS 主站给出的数字很直接：在 G-set 标准算例库上，这台 HNOIM 最高做到 99.68% 求解准确率，多组复杂样例稳定输出已知最优解，单次求解耗时 0.44 毫秒，较传统模拟退火快约 3 个数量级。进一步做到 1601 节点、9 位权重的全连接测试时，残余能量误差被压到 0.068%，最优能量逼近能力提升 43 倍。对这类硬件求解器来说，后面这组数字比单纯“更快”更重要，因为它说明规模上去后结果没有明显垮掉。
这为什么值得普通读者关心？因为很多行业真正缺的不是再多一台通用计算机，而是把特定难题更快更稳地逼近好解的加速器。若这类路线继续成熟，受影响的会是调度、资源分配和图优化等场景，而不是聊天机器人突然换了一颗芯片。论文摘要还强调，这套架构靠时间复用和光电混合反馈在室温下支持高连通度，瞄准的是更可工程化的专用硬件路径。
边界同样要说清。对应的 Photonics Research 论文页显示这篇工作发表于 2026-06-22，所以这不是 14:25 才刚出刊的新论文。本轮纳入它，是因为中国科学院主站在 2026-07-27 14:25 发出了新的官方科研进展信号，且本地近 7 天 sidecar 还没有这个 DOI。更稳妥的理解是：这是本小时新增的官方研究解读，不是通用 AI 芯片已经可以大规模替代现有求解器，也不是所有优化问题都能直接复制这组成绩。
信息来源
可信度说明
本条以中国科学院科研进展详情页 2026-07-27 14:25 为本轮时间锚点，并用 Photonics Research 论文摘要页交叉核对机制和核心对照指标。CAS 页面提供中文解释与结果数字，论文页补充“先模拟探索、后数字锁定”的机制、基准测试和发布日期；现阶段证据属于面向特定组合优化任务的硬件加速器验证，不等于通用计算平台已经替代现有 CPU 或 GPU。