全前向模式 FFM 是什么？直接在光学系统里训练光学神经网络

全前向模式（Fully Forward Mode，FFM）是一种训练光学神经网络的方法，由清华大学戴琼海院士、方璐教授的研究团队在 2024 年提出，论文《光学神经网络的全前向模式训练》发表于《自然》杂志。它让光学神经网络可以直接在物理的光学系统中完成训练。

背景：用光来计算

光学神经网络是用光而不是电来进行神经网络计算的系统：让光穿过一系列精心设计的光学元件，比如透镜、衍射层、空间光调制器，光在传播过程中的干涉、衍射等物理过程，就相当于完成了矩阵乘法等计算。用光计算有很大的潜在优势：光以光速传播，计算速度极快，并行能力强，能耗也可以比电子芯片低得多。在 AI 算力需求爆炸、电子芯片功耗越来越大的背景下，光学计算被视为有前景的方向之一。

训练是个难题

神经网络要先训练才能用。训练通常依赖反向传播算法：先让数据正向通过网络得到输出，计算误差，再把误差从后往前反向传播，算出每个参数该如何调整。问题是，在物理的光学系统中实现反向传播非常困难。过去的做法是先在电子计算机上建立光学系统的数学模型，在计算机里模拟训练，再把训练好的参数加载到真实的光学系统上。但真实的物理系统总存在各种误差和缺陷，比如元件的加工偏差、光路的微小偏移，和计算机模型不完全一致，导致模拟训练出的参数在真实系统上效果打折，而且模拟本身也很耗费计算资源。

FFM 的思路

FFM 利用了光学系统的对称性：在很多光学系统中，光的传播是可逆的，光正向通过一个系统和反向通过时，遵循对称的物理规律。研究团队据此设计出一种方法，让原本需要“反向传播”计算的梯度，可以通过让光再一次“正向”通过系统来获得。这样，训练所需要的计算都在物理光学系统中直接完成，只需要前向传播，因此称为“全前向”。整个训练过程在真实的硬件上进行，系统的误差和缺陷会在训练中被自然地考虑和补偿。

效果和意义

论文报告，采用 FFM 训练的光学系统，在深度光学神经网络的训练、成像透过散射介质、光学系统的自动校准等任务中都取得了很好的效果，并展示了较高的能效潜力。这项工作减少了光学 AI 系统对电子计算机模拟的依赖，为构建高效的光学智能计算系统提供了新的训练范式。