基于光计算模拟器的神经网络量化与精度对比研究：以MNIST和Fashion-MNIST为例摘要本文旨在构建一个基于光计算模拟器的深度神经网络(DNN)与卷积神经网络(CNN)性能对比分析框架。通过在MNIST和Fashion-MNIST两个标准数据集上开展系统性实验，我们设计了四种网络架构，并分别在三种不同的计算精度模式下进行性能评测：浮点精度模式(FP32)、直接量化/训练后量化模式(PTQ)，以及量化感知训练模式(QAT)（题设中“铸造训练”即指Quantization-Aware Training, QAT的常见翻译变体）。实验结果表明，DNN在浮点精度下的MNIST测试准确率约为95.8%，而CNN可达99.2%以上，验证了CNN在处理空间结构图像数据方面的天然优势。在直接量化场景下，DNN的准确率显著下降到约91.3%，而CNN仍维持在约98.6%的高位水平。采用QAT方法后，两种架构均获得约0.4%∼1.8%的精度恢复，印证了QAT在低精度推理场景中的重要工程价值。在更具挑战性的Fashion-MNIST数据集上，性能差距进一步拉大，CNN的各项指标显著优于同等参数规模的DNN。关键词：光计算模拟器；深度神经网络；卷积神经网络；量化感知训练；后训练量化；模拟-数字混合计算1 引言随着深度学习模型规模的指数级增长，传统冯·诺依曼架构计算系统面临日益严峻的“存储墙”与“功耗墙”挑战。摩尔定律的物理极限与存储-计算分离的架构瓶颈，共同推动学术界与工业界探索超越传统电子计算的新型计算范式。光子计算，特别是
