牛津大学中国学者研发高维光学神经网络系统，有望拓展光子计算的算力边界

扫码了解详情

随着人工智能、大数据时代的到来，高性能计算格外需要，其也将成为信息技术的关键支点。制约电子计算发展的首要 障碍是能耗，其次为处理器和内存间、处理器与处理器间的信息交互跟不上处理器的计算速度。

因此，因电子本身物理极限因素的限制，传统方法并未能解决以上问题，例如通过减小芯片特征尺寸。

与电子比较，光子具有独特的优势，例如超高传输速度、超高并行性、超高带宽与超低传输功耗等。

与此同时，学术界和工业界对采用光子芯片/光电子芯片延续摩尔定律抱有很大的期待。近年来，以光芯片为切入点，发展更大算力、更高速度、更低功耗的计算路径，迎来了技术革命的春天。

（来源：Nano-Micro Letters）

近日，牛津大学、麻省理工学院（MIT）、哈佛大学、中科院科研人员合作，提出了基于光子芯片的高维光学神经网络系统，且在实验上完成了高维光信息处理及并行计算可行性的论证。

该研究是面向未来新的光子计算体系结构、超高速光子网络等前沿问题，聚焦光子芯片及应用技术，通过光子学、计算机科学、电子信息、自动控制、数理方法等多学科的交叉融合，开展的前瞻性探索。

图丨高维光学神经网络系统架构（来源：Nano-Micro Letters）

据了解，该高维光学神经网络系统以 MZI 阵列芯片为核心，引入集成多波长光源和波分复用技术，通过光电转换模块完成非线性激活函数功能。基于多个波长光信号，可实现对不同任务的并行处理，呈现了一种全新的高维智能光子处理器架构，有望直接解决未来的计算芯片算力问题。

11 月 14 日，相关论文以《基于光子芯片的高维光学神经网络》（Chip-based High-dimensional Optical Neural Network）为题，发表在 Springer Nature 旗下 Nano-Micro Letters 上（影响因子 IF：23.65），并被选为封面文章。

该研究项目的首席负责人、牛津大学工程科学系的谢鹏博士（论文共同第一兼通讯作者）表示，该研究最大的技术突破是基于芯片化高维光学神经网络系统，完成了高维光信息处理及并行计算可行性的论证，且实现了功能芯片间的低损耦合及封装，展示了该系统的有用性和实用性。

图丨光学神经网络体系（来源：Nano-Micro Letters）

随着光芯片的发展，光子计算体系为 AI 加速带来更多的想象空间。相较于传统电子计算（或传统 AI 架构），携带信息的载体由电子转为了光子，系统速度将有数量级的提升，功耗有数量级的降低。

谢鹏表示：“本次论证的高维光学神经网络系统，是在光子计算体系上的进一步发展。原理上，引入多个波长同时携载信息，系统对信息的并行处理，可扩大数据处理容量，有望将速度再提升 1-2 个数量级。”

该高维光学神经网络系统中，以微腔孤子光梳为光源，其具有高重复频率的特性，天然地避免了不同波长中的信息串扰。来自该光源的众多波长，可成为波分复用技术中携带信息的载体，显著增大信号传输的容量，提高光子计算芯片处理信息的速度。

可编程的 MZI 阵列网络与光电转换模块，构建了光学神经网络的核心部分。其中，可编程的 MZI 阵列单元完成矩阵乘运算，光电转换模块完成非线性激活函数功能。

该系统演示了基于不同频率成分对美国国家标准与技术研究所数据库数字图片的并行处理与识别。

审稿专家对该研究评价道：“该研究将新的光子技术引入深度学习领域，展示了有意义的研究成果，为光计算领域拓展了新思路，极具价值。”

图丨封装好的功能阵列芯片（来源：Nano-Micro Letters）

21 世纪以来，光子集成芯片取得飞速发展，经历了从单元器件到规模化集成的技术过渡，其衍生的应用技术也逐渐展现出潜力，美国、欧盟等发达国家纷纷将光子集成产业列入国家发展的战略性规划。

其中，基于光电子芯片的高性能计算逐渐成为国际竞争最激烈的领域之一，以  IBM、Intel 为首的工业巨头和以 MIT 为首的学术界领军机构均不遗余力地在该领域深耕。

2018 年，新型计算架构研究（光子计算、类脑计算）进入爆发初期，基础研究进展陆续被报道、相关技术转化的科技公司也相继落地。

彼时，正在 MIT 留学的谢鹏意识到该领域的前瞻战略性和技术应用前景，遂即开始尝试光计算相关的仿真模拟及理论研究。

尤其聚焦领域高地的高维、多维光信息处理方向，为发展光电混合计算架构奠定了技术支撑。 并且，也为后续功能系统开发建立了初步的理论模型，直至本次在芯片化系统上实现高维光学神经网络，完成光信息并行处理的技术验证。

图丨谢鹏（来源：谢鹏）

谢鹏表示：“系统功能的调试成功且运行通畅，标志着技术体系的优越性得以验证。团队 完成了相关‘光、电、算、控’的原 始技术积累且自主可控，达到了第一阶段目标。 ”

下一步，他们将瞄准研究的工程化，开展相关技术攻关，即单一器件的优化、功能芯片和控制算法的性能提升、系统准确性和稳定性的提高。

“与此同时，团队也将在人工智能、光子计算和超高速光通信、信息互连等领域开启技术应用落地，并收到了相关投资机构关于技术产业化的接洽。”谢鹏说。

参考资料：

1.Xinyu Wang, Peng Xie, Bohan Chen & Xingcai Zhang. Chip-based High-dimensional Optical Neural Network [J].Nano-Micro Letters 14:221 (2022) https://doi.org/10.1007/s40820-022-00957-8

由 DeepTech 携手《麻省理工科技评论》重磅推出的《科技之巅：全球突破性技术创新与未来趋势（20 周年珍藏版）》已开启预售！ 点击下方海报可购买图书！