當人工智能、大模型和雲計算不斷產生海量數據，人類正在面對一個越來越現實的問題：如何把越來越多的數據長期、穩定、低能耗地保存下來? 光學數據存儲因壽命長、能耗低和穩定性高，被認為是大規模冷數據和長期數字檔案存儲的重要技術方向。然而，當記錄結構不斷縮小、數據越存越密時，一個長期存在的難題也愈發突出：不是寫不進去，而是讀不出來。

當光存儲中的納米級記錄結構越來越靠近時，激光讀頭就像一個近視的人面對越來越密的視力表——原本清晰分開的符號開始相互“粘連”，最終變成難以辨認的連續信號。這背後正是光學系統難以繞開的衍射限制。如何在不大幅改變現有光學硬件的情況下，從這些“看不清”的信號中重新準確讀出數據，成為進一步提升光存儲密度的關鍵問題。

傳統光存儲系統通常需要依賴糾錯編碼來提高讀取可靠性，就像一篇文字已經難以辨認的文章，需要加入額外的“提示信息”幫助還原內容。但這些冗餘信息本身也會佔據寶貴的存儲空間。隨着記錄密度進一步提升，衍射、噪聲以及不同形式的串擾不斷加劇，僅依賴傳統方式也面臨越來越大的挑戰。

如果硬件的“眼睛”已經接近極限，能不能給讀取系統裝上一個“AI大腦”，讓它學會從模糊甚至嚴重串擾的信號中把原始數據認出來?

清華大學深圳國際研究生院馬建設、蘇萍團隊與上海理工大學顧敏院士團隊等合作，提出了一種名為 DECODS 的深度學習增強計算光學解碼策略。簡單來説，就是給光存儲讀取系統裝上一個“AI大腦”：通過人工智能與計算光學相結合，在不改變傳統光存儲光學前端結構的情況下，讓系統學會從受到衍射、噪聲和串擾影響的複雜連續信號中識別原始數據，實現對高密度光存儲信號的智能解碼。

換句話説，DECODS 並不是簡單地給光存儲“擴容”，也不是從物理上突破光學衍射極限，而是試圖讓讀取系統變得更“聰明”——當“眼睛”已經看不清時，讓“AI大腦”學會把數據認出來。 這一思路為提升傳統光存儲系統在衍射限制條件下的解碼能力提供了一條新的計算路徑。

圖. DECODS深度學習增強計算光學解碼框架

DECODS將光盤讀取過程視為一個“數據驅動的光學讀出通道(optical read channel)”，而非傳統意義上的幾何長度測量。系統通過聚焦激光掃描高密度光盤中的納米級記錄結構，獲取由記錄符號調製後的連續光電信號，並利用深度學習網絡對不同長度的信號窗口進行並行識別，實現連續動態解碼(圖1)。

與傳統固定窗口解碼方法不同，DECODS採用了一種自適應滑動窗口策略。系統會同時構建七個不同長度(2T–8T)的判斷窗口，並利用深度學習網絡對各窗口進行獨立識別，動態調整後續解碼位置，從而顯著提高複雜噪聲環境下的魯棒性與解碼精度。

為了獲得大規模、高精度的訓練數據，研究團隊進一步建立了完整的高精度光學物理模型，對激光聚焦、衍射傳播、噪聲、伺服誤差、碼間串擾(ISI)以及軌道串擾等因素進行了系統建模。研究團隊以納米級精度重建了高密度光盤記錄層的真實物理結構，並模擬出與真實實驗特徵接近的連續讀出信號。基於該物理模型，團隊進一步構建了數十萬規模的訓練數據集，並利用這些完全由計算生成的數據成功訓練深度學習模型，實現了對真實實驗讀出信號的有效解碼。

實驗結果表明，在真實實驗信號測試中，DECODS在選定驗證信號上實現了0%的原始誤碼率(raw BER)，併成功解碼出在測試條件下信號質量低於傳統高密度光盤譯碼閾值極限5.8倍的真實讀出信號。這説明即使在嚴重噪聲、信號錯位以及複雜串擾條件下，DECODS仍能夠維持穩定可靠的解碼能力。

圖. DECODS在更高存儲密度條件下的解碼能力分析

在進一步研究中，團隊探索了DECODS在更高信息密度條件下的潛力(圖2)。研究人員通過減小記錄符號寬度以及減小軌道間距，對未來更高密度光存儲場景進行了理論建模分析。結果表明，即使在記錄結構進一步縮小、傳統系統更容易發生串擾的情況下，DECODS仍然能夠維持穩定的解碼能力與伺服容忍範圍。

理論分析顯示，通過降低原始誤碼率並減少對高冗餘ECC的依賴，DECODS在決策層面可對應最高約14.8%的有效容量提升;進一步結合更緊密的記錄結構設計，理論有效存儲效率提升可達到26.28%。這一結果並不意味着傳統光學衍射極限被物理突破，而是説明在現有光學硬件條件下，人工智能與計算解碼可以在“決策層”顯著提升系統對高密度信息的可分辨能力。

DECODS展示了“計算增強型光存儲”的新方向，即通過人工智能與物理建模協同優化傳統存儲系統，而不僅僅依賴硬件升級。該策略未來有望進一步應用於下一代超高密度光存儲、冷數據中心以及長期低能耗數據歸檔等領域。

研究成果以“一種用於光學數據存儲的深度學習增強計算光學解碼策略(DECODS)”(A Deep-learning Enhanced Computational Optical Decoding Strategy (DECODS) for Optical Data Storage)為題，發表在國產光學期刊《光子學》(PhotoniX)上。

DECODS是研究團隊在高密度光存儲方向長期研究積累的重要進展。此前，團隊圍繞微納執行器、精密讀寫設計以及高密度光存儲系統等方向開展了系列研究。