来源：分析测试百科网

　　当人工智能、大模型和云计算不断产生海量数据，如何把越来越多的数据长期、稳定、低能耗地保存下来？

　　清华大学深圳国际研究生院副研究员马建设、苏萍团队与合作者在《光子学》发表研究成果。合作团队提出了一种名为 DECODS 的深度学习增强计算光学解码策略。

　　简单来说，就是给光存储读取系统装上一个“AI大脑”：通过人工智能与计算光学相结合，在不改变传统光存储光学前端结构的情况下，让系统学会从受到衍射、噪声和串扰影响的复杂连续信号中识别原始数据，实现对高密度光存储信号的智能解码。这一思路为提升传统光存储系统在衍射限制条件下的解码能力提供了一条新的计算路径。

　　DECODS将光盘读取过程视为一个“数据驱动的光学读出通道”，而非传统意义上的几何长度测量。系统通过聚焦激光扫描高密度光盘中的纳米级记录结构，获取由记录符号调制后的连续光电信号，并利用深度学习网络对不同长度的信号窗口进行并行识别，实现连续动态解码。

　　与传统固定窗口解码方法不同，DECODS采用了一种自适应滑动窗口策略。系统会同时构建七个不同长度的判断窗口，并利用深度学习网络对各窗口进行独立识别，动态调整后续解码位置，从而显著提高复杂噪声环境下的鲁棒性与解码精度。

　　为了获得大规模、高精度的训练数据，研究团队进一步建立了完整的高精度光学物理模型，对激光聚焦、衍射传播、噪声、伺服误差、码间串扰以及轨道串扰等因素进行了系统建模。基于该物理模型，团队进一步构建了数十万规模的训练数据集，并利用这些完全由计算生成的数据成功训练深度学习模型，实现了对真实实验读出信号的有效解码。

　　实验结果表明，在真实实验信号测试中，DECODS在选定验证信号上实现了0%的原始误码率，并成功解码出在测试条件下信号质量低于传统高密度光盘译码阈值极限5.8倍的真实读出信号。这说明即使在严重噪声、信号错位以及复杂串扰条件下，DECODS仍能够维持稳定可靠的解码能力。

　　进一步研究发现，即使在记录结构进一步缩小、传统系统更容易发生串扰的情况下，DECODS仍然能够维持稳定的解码能力与伺服容忍范围。

　　理论分析显示，通过降低原始误码率并减少对高冗余ECC的依赖，DECODS在决策层面可对应最高约14.8%的有效容量提升；进一步结合更紧密的记录结构设计，理论有效存储效率提升可达到26.28%。这一结果并不意味着传统光学衍射极限被物理突破，而是说明在现有光学硬件条件下，人工智能与计算解码可以在“决策层”显著提升系统对高密度信息的可分辨能力。

　　DECODS展示了“计算增强型光存储”的新方向，即通过人工智能与物理建模协同优化传统存储系统，而不仅仅依赖硬件升级。该策略未来有望进一步应用于下一代超高密度光存储、冷数据中心以及长期低能耗数据归档等领域。

　　相关论文信息：https://doi.org/10.1186/s43074-026-00251-5