大规模学习领域：突破了计算精度与效率的矛盾，将数百万参数的光网络训练速度提升了1个数量级，代表性智能分类任务的准确率提升40%。
复杂场景智能成像：弱光环境下（每像素光强度仅为亚光子）实现了能量效率为5.40×10^6 TOPS/W的全光处理，系统级能效提升6个数量级。在非视域场景下实现了千赫兹帧率的智能成像，效率提升2个数量级。
拓扑光子学领域：在不依赖任何模型先验下可自动搜索非厄米奇异点，为高效精准解析复杂拓扑系统提供了新思路。
据论文第一作者、电子系博士生薛智威介绍，在太极-II 架构下，梯度下降中的反向传播化为了光学系统的前向传播，光学神经网络的训练利用数据-误差两次前向传播即可实现。两次前向传播具备天然的对齐特性，保障了物理梯度的精确计算。由于不需要进行反向传播，太极-II 架构不再依赖电计算进行离线的建模与训练，大规模神经网络的精准高效光训练终于得以实现。
Nature审稿人高度评价
Nature审稿人在审稿评述中指出：“本文中提出的想法非常新颖，此类光学神经网络（ONN）的训练过程是前所未有的。所提出的方法不仅有效，而且容易实现。因此，它有望成为训练光学神经网络和其他光学计算系统的广泛采用的工具。”这一高度评价进一步证明了太极-II架构在光计算领域的突破性和潜力。
