光学神经网络可依托光速完成矩阵运算，被视为突破电子硬件算力与能效瓶颈的重要方向，但其传统训练方案高度依赖误差反向传播算法，与物理光学系统存在本质冲突—— 既缺少互易的误差传输路径，又对加工与装配缺陷极度敏感。该研究提出一种受生物神经机制启发的无反向传播光学神经网络架构，通过逐层目标传播机制绕开梯度反向传播，引入可训练误差卷积核实现逐层局部学习，无需前向与反向光路的精确光学共轭。实验证实该架构分类精度与传统方案相当，同时具备更优的噪声鲁棒性与对准误差耐受性，并完成了可编程光学系统与芯片级集成的物理验证。

该研究由Tingxuan Li、Yibo Dong、Kun Tu、Yuchao Zhang、Shu Li、Yuyang Duan、Peng Sun、Min Gu、Jing Wang 共同完成，论文题为 《Bio-inspired backpropagation-free training for optical neural networks》，于2026年7月在线发表于 《Light: Science & Applications》。

重要发现
01受生物突触可塑性启发的局部学习机制
传统光学神经网络的训练依赖链式法则实现误差反向传播，要求前向与反向光路具备严格的物理对称性，而硬件失配、光学像差与多数光学元件的非互易特性，使得这种对称结构难以在物理系统中落地。该研究受生物神经回路中局部误差驱动的突触可塑性机制启发，将网络的全局优化任务拆解为分散的波前驱动更新规则，通过逐层目标传播机制与可训练误差卷积核，实现每一层的独立局部学习。

在该架构中，每一层衍射层通过可训练相位掩模调制入射波前，完成空间特征的光学编码；同时引入可学习的误差卷积核，在训练过程中自适应逼近前向衍射算子的逆变换，将高维的全局误差信号转化为具备空间分辨能力的局部目标信号。与传统反向传播要求的转置权重矩阵、精确光学共轭不同，该误差卷积核是独立可训练的参数矩阵，无需与前向参数严格对应，从根本上消除了对光学时间反演对称性的严苛要求，可兼容各类非互易光学器件。

二值化光神经网络（B-ONN）的框架

B-ONN在MNIST和时尚-MNIST数据集上的性能

第二类为光学局部误差单元，基于马赫- 曾德尔干涉仪结构构建，通过在参考光路中引入 π 相移实现相消干涉，可直接在光域完成实时减法运算，输出对应层的局部误差光场。该过程无需经过光电转换，避免了信号转换带来的信息损耗，可为后续的原位训练步骤连续提供光域误差信号。第三类为光学并行梯度单元，通过空间干涉实现局部误差光场与相位调制项的全平面同步干涉，单次探测器曝光即可捕获全部像素的梯度信息，实现大规模并行梯度计算，运算效率较电子方案提升数个量级。

相位分布B-ONN对系统噪声和对准误差的鲁棒性评估鲁棒性测试管道示意图

在网络深度扩展性测试中，研究团队将网络层数从3 层逐步拓展至 9 层。测试结果显示，在 3 至 6 层的浅层网络中，传统反向传播方案凭借链式梯度的精确性，精度略有优势；但当网络深度达到 7 层后，传统方案出现物理系统典型的梯度消失与梯度爆炸问题，性能出现显著下滑。而该架构通过局部目标传播机制实现了层间解耦，各层梯度分布不受网络深度影响，在 9 层网络配置下达到 95.10% 的峰值精度，展现出更优的深层架构扩展能力，为大规模深度光学神经网络的构建提供了技术支撑。

用于手写数字分类的B-ONN的仿真与实验结果

横向对准误差测试模拟系统集成的机械定位误差，以及环境振动、热膨胀引发的光轴漂移。测试结果显示，该架构在±3 像素的偏移范围内，精度仍维持在 75% 以上，可承受的对准误差范围约为传统方案的 2 至 3 倍。这种鲁棒性源于架构学习到的全局平滑、渐变过渡的相位分布，网络优化收敛于损失曲面的宽平坦极小值而非狭窄的局部最优值，无需额外的噪声增强训练即可具备固有抗扰能力。

在物理系统验证层面，研究团队首先基于可编程空间光调制器系统搭建实验平台，开展四类手写数字识别任务。网络仅经过5 轮训练即完成收敛，仿真测试精度达 99.5%，物理光学实验实现 95% 的识别精度。在此基础上，团队通过纳米打印技术实现芯片级集成的衍射深度神经网络，采用逐层加工的微纳工艺制备双层衍射结构，器件实测精度达 94%。微纳加工过程中，双光子聚合效应会将理论上的锐利阶梯边缘转化为圆润连续的坡面，而该架构天然学习到的空间连续相位权重恰好与这一加工特性适配，算法特性与制造约束形成天然协同，证实了该方案从可编程系统向固定功能器件迁移的有效性与工程可行性。

用于手写数字分类的仿真与实验结果

创新与亮点
该研究突破了传统光学神经网络依赖反向传播、要求光路严格对称的核心瓶颈，首次将生物神经可塑性原理与衍射光学计算深度融合，提出无反向传播的局部学习训练框架，解决了全局梯度优化与物理光学系统约束不兼容的行业难题。其核心创新在于引入可训练误差卷积核替代共轭反向光路，通过全光干涉实现梯度并行计算，既保留了光速级运算的低能耗优势，又从机制层面消除了加工误差与对准偏差对系统性能的剧烈影响。

在光学生物医疗领域，该技术可支撑低功耗、高鲁棒性的片上光学计算芯片，应用于活体显微成像的实时特征提取、血流灌注成像的快速信号处理等场景，无需高精度校准即可在复杂临床环境下稳定运行，为便携式智能生物成像设备的小型化、低功耗化提供了可行路径。

总结与展望
该研究提出的受生物启发的无反向传播光学神经网络，在分类精度与传统方案相当的基础上，实现了更优的噪声鲁棒性与深层网络可扩展性，并完成了从可编程光学系统到芯片级集成的全链路物理验证，为光学计算从实验室研究走向实际应用开辟了可行路径。未来可通过低秩近似、随机投影等轻量化目标生成机制压缩物理像素占用，结合单片光子集成与三维异质封装技术进一步缩小系统体积，推动大规模光学智能计算的落地应用。

doi: https://doi.org/10.1038/s41377-026-02394-3