光神经网络（ONN）凭借光速运算与低功耗特性，成为下一代人工智能计算的核心方向。其核心原理是通过光学器件完成密集矩阵乘法运算，实现图像识别等复杂任务。在这一过程中，图形信号的精准仿真与高速传输是决定系统性能的关键环节。普源 DG70000 系列任意波形发生器（AWG）凭借高采样率、高分辨率特性，成功解决了光神经网络测试中的信号调制难题，显著提升了图像传输效率与识别精度。

一、光神经网络的信号传输机制

光神经网络的图像识别流程可概括为 “电 - 光 - 电” 的信号转换链：

图形信号数字化：将图像像素（如 7×7 像素块）转化为一维灰度值数组，每个灰度值对应特定 bit 数据；

电信号调制：通过调制源将 bit 数据转换为电压信号，驱动脉冲激光器输出光信号；

光学运算：光信号经单模光纤传输至光学器件，以光速完成卷积、矩阵乘法等运算；

信号还原：最终光信号通过光电探测器转回电信号，由高速示波器捕获并分析，完成图像识别判断。

其中，调制源的性能直接影响激光器输出的消光比与信号分辨率，进而决定图像识别的误码率。

二、测试挑战：传统调制源的性能瓶颈

实验初期，研究团队采用可编程线性电源作为调制源，但其固有缺陷严重制约了系统性能：

速率低下：线性电源的信号带宽仅能支持秒级时间尺度的传输，一张高清图像需耗费极长时间传输，甚至无法实现动态图像的实时处理；

分辨率受限：线性电源的波表长度有限，海量图像数据需构建超大规模波表，导致数据管理复杂度激增；

信号质量不足：虽然线性电源输出幅度可达伏级（利于提升激光器消光比），但低带宽导致灰度等级有限，仅能传输简单图像，无法满足高精度识别需求。

三、解决方案：DG70000 系列 AWG 的技术突破

为突破上述瓶颈，研究团队引入普源 DG70000 系列 AWG（以 DG70004 为例）作为调制源，其核心性能参数完美适配光神经网络的测试需求：

高采样率与带宽：12Gsa/s 采样率、2GHz 模拟带宽，支持百纳秒级信号传输，较线性电源提升约 10⁷倍；

高分辨率：16bit 垂直分辨率，可精准还原图像灰度等级，配合放大器后能满足激光器对输入电压的精度要求；

超大波表容量：1.5Gpts 单波表长度，可一次性加载海量图像数据，避免频繁波表切换导致的效率损失。

四、实际应用与测试效果

信号调制流程

将图像像素的灰度值编码为 16bit 数据，通过编程或文件导入方式加载至 DG70000 的波表；

设定采样率（100-5GHz 可调），AWG 输出对应电压信号，同步预留触发电平与参考电平；

电压信号经放大器放大后驱动脉冲激光器，完成电 - 光信号转换。

关键性能提升

传输效率：单幅图像传输时间从秒级压缩至百纳秒级，实现高清图像的高速传输；

识别精度：16bit 分辨率配合高消光比激光器，使图像灰度等级显著提升，误码率降低 90% 以上；

灵活性：支持动态调整采样率与波形参数，适配不同光学器件的运算速度与带宽需求。

系统协同效果

经 DG70000 调制的光信号，通过光学器件运算后，由普源 DS70000 系列示波器捕获还原。测试结果显示，图像边缘清晰度提升 30%，灰度过渡平滑度提高 50%，充分验证了 AWG 在光神经网络中的核心作用。

五、方案优势总结

高速率与高分辨率协同：2GHz 带宽与 16bit 分辨率的组合，既保证信号传输效率，又精准还原图像细节；

便捷的数据管理：支持 txt 波表文件直接导入与编程控制，简化海量图像数据的加载流程；

灵活适配性：可调采样率与超大波表容量，满足从简单灰度图像到高清彩色图像的多样化测试需求。

六、小结

普源 DG70000 系列 AWG 通过解决光神经网络中的信号调制瓶颈，为高速、高精度图像识别提供了可靠的测试支撑。其在速率、分辨率与灵活性上的综合优势，不仅适配当前光神经网络的研发需求，更为未来更大规模的光学计算系统提供了可扩展的测试方案，推动光神经网络从实验室走向实际应用。