光子神經(jīng)網(wǎng)絡芯片的計算時間不到十億分之一秒，并且具有與傳統(tǒng)神經(jīng)網(wǎng)絡相當?shù)木�度�?/p>

圖 1：用于光子神經(jīng)網(wǎng)絡的具有可編程處理功能的光子芯片的顯微圖像。

意大利米蘭理工大學（Politecnico di Milano）和斯坦福大學的研究人員，構建了一種光子神經(jīng)網(wǎng)絡（PNN）芯片，該芯片利用光子加速器實現(xiàn)了快速、強大和高效的計算。芯片上的光波導由可控節(jié)點連接，從而形成可編程的光子網(wǎng)格——硅干涉儀網(wǎng)格。

“從光學角度看，該電路實現(xiàn)了一個完全可重構的多徑干涉儀。從功能上看，它直接在光域中執(zhí)行加法和乘法運算，”米蘭理工大學光子器件實驗室負責人Francesco Morichetti說，“這意味著，如果我們在其輸入端口輸入光信號，輸出信號將是輸入信號的線性組合。”

從數(shù)學的角度來看，PNN芯片采用的是一種矩陣-向量乘法，這是計算中所需的基本代數(shù)算法。“許多典型的計算操作都是以這種形式進行的，幸運的是，線性算子描述的任何內(nèi)容都能用光學方法實現(xiàn)。”

PNN芯片是米蘭理工大學和斯坦福大學團隊五年前開始的長期合作的成果。

Morichetti和米蘭理工大學的研究人員正在設計可編程的硅光子架構，特別是用于自動控制這些結構的先進算法。與此同時，斯坦福大學的研究人員也從理論上構思了光子架構，這些架構有可能實現(xiàn)復雜的功能，但仍需要轉化為物理光子電路。

“我們在光子學方面的專業(yè)知識是互補的，”Morichetti說。

細節(jié)決定成敗

新型PNN芯片的核心光子網(wǎng)格，是通用電路或可編程光子處理器（見圖1）。Morichetti解釋說，在某種程度上，它們可以被視為電子FPGA（集成電路中的現(xiàn)場可編程門陣列）的光學對應物，盡管光子學本質(zhì)上是模擬的。

在PNN出現(xiàn)之前，這種芯片技術在米蘭理工大學與斯坦福大學合作的幾個研究項目中得到了應用。例如，他們使用光子處理器來產(chǎn)生和接收具有合適形狀的自由空間光束，以優(yōu)化通過半透明障礙物或散射介質(zhì)的傳輸、通信和傳感。

“我們還使用光子網(wǎng)格直接在光域中對通過散射介質(zhì)傳輸后、混雜在一起的幾束光進行解碼，”Morichetti說，“這使我們能夠恢復單個光束所攜帶的信息，這對利用多種光學模式的大容量傳輸系統(tǒng)具有重要意義。”

神經(jīng)網(wǎng)絡必須執(zhí)行復雜的功能，并通過檢查先前操作的效果來調(diào)整其行為。這種訓練需要耗費大量能源和電力，但在光子芯片上構建神經(jīng)網(wǎng)絡，為實現(xiàn)更節(jié)能的計算單元鋪平了道路（見圖2）。

圖2：光子芯片上的神經(jīng)網(wǎng)絡。

然而，利用光子技術實現(xiàn)高效神經(jīng)網(wǎng)絡的一個主要挑戰(zhàn)，是在網(wǎng)絡訓練中如何利用光學的能力。斯坦福大學前研究員、現(xiàn)為加州Palo Alto計算機硬件制造商PsiQuantum的量子架構師Sunil Pai表示，這也是研發(fā)工作中要求最高的部分。

“迄今為止，PNN僅用于在通過外部計算機訓練的系統(tǒng)中執(zhí)行推理任務，這實質(zhì)上限制了使用光子硬件的優(yōu)勢，”Pai說。

但是，斯坦福大學Pai團隊的研究工作表明，PNN可以在原地（in situ）訓練。為此，他們使用了一種反向傳播算法的臨時實現(xiàn)方法。與傳統(tǒng)的反向傳播算法一樣，網(wǎng)絡被輸入訓練數(shù)據(jù)，并被要求做出預測。每次迭代時，對預測誤差進行評估并通過網(wǎng)絡進行反向反饋，從而優(yōu)化光子網(wǎng)格的節(jié)點，提高預測精度�，F(xiàn)在，對于訓練數(shù)據(jù)和誤差數(shù)據(jù)，這些過程完全是通過光信號來完成的。

“這一成果是一個重要的里程碑，因為它證明了PNN可以在光域中直接、高效地進行訓練，”Pai 說，“在訓練過程結束時，PNN顯示出與傳統(tǒng)數(shù)字神經(jīng)網(wǎng)絡相當?shù)男阅堋?rdquo;

在整個訓練過程中，研究人員通過近紅外相機測量從網(wǎng)格特定點發(fā)出的光，來監(jiān)測光子芯片。在這一階段，只有PNN的線性運算是以光學方式實現(xiàn)的。這是計算成本最高的任務。“激活函數(shù)（與每個神經(jīng)元輸出相關的非線性操作）仍然是在芯片外以數(shù)字方式進行的。片上非線性運算的高效實現(xiàn)，將是邁向全光子人工智能片上計算的下一步，”Pai說。

下一步工作

網(wǎng)絡訓練仍處于概念驗證階段，因為研究團隊的初步結果是在相對較小的網(wǎng)絡上實現(xiàn)的。Pai說，為了將訓練規(guī)模擴大到更大的PNN，研究人員需要更有效地控制光子芯片。目前，光子網(wǎng)格是通過熱致動器來編程的，這種熱致動器速度慢、耗能大，并且會受到熱串擾的影響。

利用微機電系統(tǒng)（MEMS）或電光材料，在集成硅光子芯片中實現(xiàn)更快、更節(jié)能的執(zhí)行器的解決方案正在出現(xiàn)�；�于此，研究人員可以進一步擴大PNN的尺寸。 集成光電探測器也可用于硅光子學，并且可以減少監(jiān)控操作中浪費的光量，并提高精度與能耗。 

Morichetti說：“當需要進行大規(guī)模計算時，光子學方法相對于傳統(tǒng)數(shù)字處理的優(yōu)勢會更加明顯。”

作者： Justine Murphy