FAST-ONN：以 VCSEL 陣列將自由空間光計算時脈提升至 100 MHz

自由空間光計算具備光速傳播與大規模平行的特性，但輸入調變器多半低於 100 kHz，運算速度始終受限。這項研究提出的 FAST-ONN（扇出空間飛行時間光神經網路），以 VCSEL 陣列取代傳統輸入調變器，在 100 MHz 時脈下達到每秒 450 億次運算。

自動駕駛車輛、無人機與遠端機器人，都必須在極短時間內做出判斷，同時受限於尺寸、重量與功耗。電子處理器受限於電荷在矽晶線路中移動與儲存的瓶頸，即使是 GPU 與 TPU 也難以同時滿足這些條件。

圖 1：FAST-ONN 概念圖，包含邊緣運算應用、物體偵測情境、平行卷積架構與系統工作流程。

在光域完成卷積

系統把影像切成 3×3 像素的子影像，交由 VCSEL 陣列轉成光訊號，速率為每秒 1 億個子影像。繞射光學元件將整組光訊號被動複製成 9 份，空間光調變器（SLM）再對每一份套用不同權重，等於同時執行 9 個卷積核。光打在偵測器上時強度會自然相加，乘法累加因此全在光域完成，只有最後讀

出才轉回電訊號。

圖 2：實驗使用的 VCSEL 陣列、繞射光學元件、空間光調變器、扇出光束圖樣與光纖偵測器陣列。

VCSEL 陣列與正負權重

VCSEL 從晶片表面垂直發光，能排成密集的二維陣列。實驗陣列由 25 顆元件排成 5×5，間距 80 µm，目前調變頻寬為 1 GHz。

光強度只有正值，研究以差分偵測處理負權重：每道光束分成經過 SLM 的訊號路徑與繞過 SLM 的參考路徑，由平衡光電偵測器輸出兩者的差值。經過校準，9 個通道的誤差平均標準差為 3.27%，約相當於 6 位元精度。

車輛偵測與基準測試

在 COCO 資料集的車輛分類任務中，FAST-ONN 負責第二個卷積層，其餘以數位方式處理。混合光電管線與純數位基準的輸出值標準差為 0.037。

MNIST 與 Fashion-MNIST 測試中，光學推理準確度分別為 93.75% 與 80.75%，數位參考模型為 95.75% 與 84.88%。系統也能直接在硬體上訓練，以 800 張 MNIST 影像訓練 20 個週期後，測試子集準確度為 92.8%。

擴展潛力

目前系統能效約每瓦 3 兆次運算，與高階 GPU 相近，處理一個子影像約需 23 ns，完整影像分類的端到端延遲約 1.4 µs。論文估算，若擴展為 32×32 共 1024 顆 VCSEL，並將調變速率提高到每秒 250 億次取樣，吞吐量可能超過每秒 50,000 兆次運算，能效接近每瓦 500 兆次運算。

論文提出的部署方向是多層光電系統，每一層都是由 VCSEL 陣列、繞射元件、SLM 與偵測器陣列組成的光學模組，輸出數位化後再驅動下一層的 VCSEL。主要挑戰包括陣列熱管理、扇出副本間的光學對準，以及高速低功耗的驅動線路。

參考資料

Y. Liang et al., "High-clockrate free-space optical in-memory computing," Light: Science & Applications, vol. 15, no. 115, pp. 1–13, Feb. 2026, doi: 10.1038/s41377-026-02206-8.