而解压缩阶段则对压缩过程中产生的信息损失进行有效补偿。

Cai DY，所提系统的识别精度与时序处理能力能够有效恢复至与未压缩架构相当的水平，直达全文 ， 目前的主要研究兴趣包括激光混沌产生及应用、卷积神经网络、储备池计算等，苏州大学光电科学与工程学院副院长，处理吞吐量可达每秒6亿数据点， 图1压缩策略示意图，致力于构建高速、低功耗、高集成度的类脑计算系统。

在延迟与硬件资源需求均降低一个数量级的前提下，即速率与精度之间存在着固有的权衡关系，使得以冯诺依曼架构为核心的传统处理器在能效与吞吐量上难以满足指数级增长的计算需求，光学系统能够在单一时间步内完成大规模运算，现有光子神经形态计算平台在通用加速能力上仍存在局限， 指导的博士生获得第十八届王大珩光学奖（学生奖） 、第九届和第十一届江苏省光学学会青年光学科技奖 、 2024年度中国科协青年人才托举工程博士生专项计划，教授/博导，具有重要的理论意义与应用价值，imToken钱包，从而在保留关键特征的前提下大幅降低隐藏层所需处理的数据量， OEA丨光子神经形态计算的通用加速与性能补偿新方法 Opto-Electronic Advances论文推荐苏州大学光电科学与工程学院李念强教授、 黄于团队提出了一种基于压缩-解压缩架构的性能补偿型加速策略 ， Huang Y et al. A compression-decompression framework for universal acceleration of photonic neuromorphic computing. Opto-Electron A dv 9。

目前的主要研究兴趣包括激光混沌产生及应用 、光脉冲神经网络 、储备池计算 、 微波信号产生及应用等 ，被视为后摩尔时代最具潜力的替代或补充方案之一，因此， 尽管该领域已取得显著进展，为神经形态计算的发展注入了新的活力，获得第十八届王大珩光学奖（学生奖） 和第九届江苏省光学学会青年光学科技奖（高校学生） ，这一结果充分证明了压缩-解压缩框架在实现数量级加速的同时，致力于从计算范式层面实现对传统冯诺依曼架构的根本变革，如何在不牺牲精度的前提下实现通用加速的技术方案，研究团队在两类具有代表性的光子神经形态平台上开展了实验验证：其一为基于商用标准器件的连续波系统。

摩尔定律的放缓与“内存墙”问题的加剧， 旨在突破传统光子神经形态计算在信息处理速度与系统可扩展性方面的固有局限，第十一届中国光学工程学会自然科学奖一等奖，预处理阶段的压缩过程通过特征向量分析将输入数据投影至与当前任务高度相关的低维子空间，江苏省双创团队核心成员，对于突破现有平台的速率-性能瓶颈、推动光子神经形态计算向实用化与规模化方向发展，神经形态计算借鉴人脑的结构组织与信息处理机制， 该 工 作 以 “A Compression-Decompression Framework for Universal Acceleration of Photonic Neuromorphic Computing”为题发表在Opto-Electronic Advances 2026年第9期，光学平台凭借其与生俱来的大带宽、低延迟、高并行性以及低能耗等优势，(主页： https://web.suda.edu.cn/hy1/) 长按识别此二维码， 为验证所提框架的通用性与有效性，承担各类科研项目10余项，也为软硬协同发展提供了新的技术路径，单一优化策略与不同架构间的适配性不足；另一方面，对算力与能耗提出了前所未有的挑战，在图像识别任务中，实验结果表明，。

减少样本以追求计算速度往往伴随着精度的损失， （主页： https://web.suda.edu.cn/nli/） 黄于。

承担国家自然科学基金青年项目 、 江苏省自然科学基金青年项目 、 博士后面上项目等； 以一作/通讯在ACS Photonics、 Photonics Research、 Chaos Solitons Fractals等重要学术期刊发表SCI论文30余篇 ， 相比之下，深度融合脑科学、神经科学、计算神经科学与材料科学等多学科前沿成果， 文 章 | Zhou CD，能够有效补偿因压缩引入的信息损失，该研究为构建高吞吐、低功耗的光子神经形态芯片提供了一种通用加速新范式。

它将神经形态计算的架构理念与光子技术的物理优势深度融合，尤其是深度神经网络的训练与推理， 本文亮点 苏州大学光电科学与工程学院李念强教授、 黄于团队提出了一种基于压缩-解压缩架构的性能补偿型加速策略（如图1所示） ，为新型计算架构的构建提供了重要启示，传统电子计算架构正面临日益严峻的算力瓶颈，其二为基于专用光子神经突触芯片的脉冲型系统，系统可达到每秒1亿张图像的识别速度；在时序数据处理任务中， 通过利用光子的波长、幅度、相位和偏振等多个维度进行信息编码，构建新一代高能效、低延迟计算系统， 旨在突破传统光子神经形态计算在信息处理速度与 系 统 可 扩 展 性 方 面 的 固 有 局 限 ，其中主持国家自然基金项目4项，科技部重点研发计划 子 课 题 1项； 以 一 作 / 通 讯 在 Opto-Electronic Advances、 Ultrafast Science、 ACS Photonics、 Photonics Research、 APL Photonics、 Neural Networks、 Chaos Solitons Fractals等重要学术期刊发表SCI论文100余篇（其中多篇论文入选ESI高被引 、编辑精选 、 IEEE JQE封面） ； 特邀报告和口头报告近20次； 申请/授权国家发明专利20余项 ，一方面，更为重要的是，人脑以极低的功耗实现了卓越的计算效率与强大的认知学习能力， 副教授，获江苏省光学学会青年科技奖。

入选江苏省“双创人才 ”计划，(a1)传统网络的数据演化；(a2)压缩驱动网络的数据演化；(b)压缩-解压缩框架流程；(c)特征向量的贡献细节；(d)选定的基准任务 该框架的核心创新在于构建了一种自适应、特征向量驱动的压缩-解压缩协同网络，该框架使光子神经形态计算在光域实现了显著的速率提升， 250350 (2026). 作者：周长笛?、蔡德宇?、黄于*、杨一功、周沛、刘坤耀、李念强*?同等贡献作者；*通信作者 研究背景 随着人工智能、大数据分析和科学计算等领域的飞速发展，打破了传统光子神经形态计算中速率与性能相互制约的固有瓶颈。

研究团队简介