随着人工智能、大模型训练和云数据中心的发展，全球数据量正在快速增长，尤其是在长期归档与冷数据存储领域，传统存储技术面临能耗高、寿命有限、成本不断攀升等问题。相比之下，光学数据存储（Optical Data Storage, ODS）具有寿命长、能耗低、稳定性高等优势，被认为是未来大规模冷数据存储的重要方向。然而，传统高密度光盘存储系统长期受到光学衍射极限的限制，当记录符号间距过小时，读取信号之间会发生严重干扰，导致系统不得不依赖复杂的纠错编码（ECC）来保证数据可靠性，从而限制了实际存储密度与效率的进一步提升。

近日，清华大学深圳国际研究生院马建设、苏萍副研究员团队与上海理工大学顾敏院士团队等合作，提出了一种深度学习增强的计算光学解码策略（Deep-learning Enhanced Computational Optical Decoding Strategy，DECODS），通过人工智能与计算光学结合，在不改变传统光存储光学前端结构的情况下，实现了对高密度光盘信号的智能解码，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。

图1.DECODS深度学习增强计算光学解码框架

DECODS将光盘读取过程视为一个“数据驱动的光学读出通道（optical read channel）”，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（图1）。

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（2T–8T）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（ISI）、轨道串扰等因素进行了系统建模。研究团队以纳米级精度重建了高密度光盘记录层的真实物理结构，并模拟出与真实实验特征接近的连续读出信号。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（raw BER），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。

图2.DECODS在更高存储密度条件下的解码能力分析

在进一步研究中，研究团队探索了DECODS在更高信息密度条件下的潜力（图2）。研究人员通过减小记录符号宽度以及减小轨道间距，对未来更高密度光存储场景进行了理论建模分析。结果表明，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。

研究成果以“一种用于光学数据存储的深度学习增强计算光学解码策略（DECODS）”（A Deep-learning Enhanced Computational Optical Decoding Strategy（DECODS）for Optical Data Storage）为题，于5月27日发表于《光子学》（PhotoniX）。

DECODS是研究团队在高密度光存储方向长期研究积累的重要进展。此前，团队围绕微纳执行器、光学拾取头设计以及高密度光盘系统等方向开展了系列研究。

清华大学深圳国际研究生院2023届硕士毕业生刘明源为论文第一作者，马建设、苏萍、顾敏为论文通讯作者。其他作者包括2023级硕士生董璐瑶等。