组合优化问题广泛存在于金融、物流、机器学习等领域。传统“冯·诺伊曼”架构在处理规模日益庞大的问题时面临显著瓶颈。光电伊辛机利用物理系统的动力学演化进行本征并行求解，是实现大规模组合优化硬件加速的重要技术路线。然而，其底层物理载体的连续模拟特性与伊辛模型离散二元约束之间存在本质差异，使系统演化过程易受硬件振幅不均匀、噪声累积和性能漂移等因素影响，导致求解准确度下降、可扩展性受限。
近日，中国科学院半导体研究所光电子材料与器件全国重点实验室李明研究员团队联合北京伊辛智能科技有限公司，在《光子学研究》（Photonics Research）发表最新研究进展：研究团队提出一种基于动态陡激活反馈机制的混合神经形态光电伊辛机（HNOIM），通过模拟探索与数字锁定协同，校正了由振幅不均匀性引起的计算公式变形问题（哈密顿量畸变），实现了连续动力学演化与二元态稳定收敛的有效结合。在行业公认、认可度高的G-set（G1–G21）标准算例库测试中，HNOIM实现了99.68%的求解准确率，多组复杂算例稳定输出已知最优解（BKS），单次求解耗时（TTS）仅0.44毫秒，较传统模拟退火算法（199.61毫秒）提升3个数量级。研究团队进行了超大规模复杂场景的可行性测试，在1601 个节点、每条连接都采用9位高精度权重的全连接超大规模优化网络中，HNOIM混合架构将残余能量误差（设备实际运算结果能量与问题理论最优最低能量的差值占比）降低至0.068%，最优能量逼近能力提升43倍。
该研究为提升光电伊辛机求解准确度和系统可扩展性提供了新的技术方案，为光电伊辛计算的发展及其在大规模组合优化中的应用提供了重要支撑。
半导体所作为学术创新主体，由博士生团队原创提出“动态陡激活反馈机制”，并全面负责了光电伊辛机系统的架构改造、全流程实验物理验证、数据分析以及学术论文的撰写与发表；北京伊辛智能科技有限公司依托其产业化优势，为该研究提供了高完备性的实验环境与基础硬件平台，并派出FPGA工程团队与半导体所科研人员共同完成了底层核心计算逻辑的软硬件协同开发，为高精度、高性能的算例求解奠定了工程基础。
该研究成果以“Hybrid neuromorphic optoelectronic Ising machine via dynamic steep-activation feedback”为题，发表于《光子学研究》（Photonics Research）。半导体所博士生李真同为第一作者，半导体所博士生马学龙为共同第一作者，半导体所李明研究员为通讯作者。该工作得到了北京市科学技术委员会北京市科技计划项目“光电伊辛机智能计算关键技术研究”（Z241100004224001）资助。
论文链接：
https://doi.org/10.1364/PRJ.592099
图1｜混合神经形态光电伊辛机（HNOIM）的架构与实验实现（上图）数字反馈处理算法；（底部）实验装置示意图
图2｜G-set标准算例库中HNOIM与SA的性能比较
图3｜对9bit权重的全连接伊辛问题进行可扩展性分析，测试实例范围为N=401至1601能量分布（上图）；定量可扩展性（下图）
