近日，Nature刊載IBM新研究，使用光學器件打造的“全光學”深度神經(jīng)網(wǎng)絡可以比傳統(tǒng)計算方式的能效更高，同時具備可擴展性、無需光電轉(zhuǎn)換和高帶寬等優(yōu)勢。這一發(fā)現(xiàn)可能給未來光學神經(jīng)網(wǎng)絡加速器的出現(xiàn)打下基礎。

光纖能夠以光的形式在世界范圍內(nèi)傳輸數(shù)據(jù)，成為現(xiàn)代電信技術(shù)的支柱。不過如果需要分析這些傳輸數(shù)據(jù)，要將其從光信號轉(zhuǎn)換為電子信號，然后用電子設備進行處理。曾經(jīng)有一段時間，光學被認為是未來最具潛力的計算技術(shù)的基礎，但與電子計算機的快速進步相比，光學計算技術(shù)的競爭力明顯不足。

不過，在過去幾年中，業(yè)界越來越關注對計算能源的成本問題。因此，光學計算系統(tǒng)再次受到關注。光學計算的能耗低，又能作為AI算法（如深度神經(jīng)網(wǎng)絡（DNN））的專用加速硬件。 近日，F(xiàn)eldmann等人在《自然》期刊上發(fā)表了這種“全光學網(wǎng)絡實現(xiàn)”的最新進展。

深度神經(jīng)網(wǎng)絡包括多層人工神經(jīng)元和人工突觸。這些連接的強度稱為網(wǎng)絡權(quán)重，可以是陽性，表示神經(jīng)元的興奮，或陰性，表示神經(jīng)元的抑制。網(wǎng)絡會盡力將實際輸出和期望輸出之間的差異實現(xiàn)最小化，從而改變突觸的權(quán)重，來執(zhí)行圖像識別等任務。

CPU和其他硬件加速器通常用于DNN的計算。DNN的訓練可以使用已知數(shù)據(jù)集，而經(jīng)過訓練后的DNN可以用來推理任務中的未知數(shù)據(jù)。雖然計算量很大，但計算操作的多樣性不會很高，因為“乘法累加”操作在許多突觸權(quán)重和神經(jīng)元激勵中占主導地位。

DNN在計算精度較低時仍能正常工作。因此，DNN網(wǎng)絡代表了非傳統(tǒng)計算技術(shù)的潛在機會。研究人員正在努力打造基于新型非易失性存儲器件的DNN加速器。這類設備在切斷電源時也能保存信息，通過模擬電子計算提升DNN的速度和能效。

那么，為什么不考慮使用光學器件呢？導光部件中可以包含大量數(shù)據(jù) - 無論是用于電信的光纖還是用于光子芯片上的波導。在這種波導內(nèi)部，可以使用“波分復用”技術(shù)，讓許多不同波長的光一起傳播。然后可以以與電子到光學調(diào)制和光電子檢測相關的可用帶寬限制的速率調(diào)制（以可以攜帶信息的方式改變）每個波長。

圖1全光學脈沖神經(jīng)元回路

使用諧振器可以實現(xiàn)單個波長的添加或移除，就像對貨車的裝貨和卸貨一樣。使用微米級環(huán)形諧振器可以構(gòu)建DNN網(wǎng)絡突觸權(quán)重陣列。這種諧振器可以采用熱調(diào)制，電光調(diào)制，或通過相變材料調(diào)制。這些材料可以在非晶相和結(jié)晶相之間切換，不同的材料的吸光能力差別很大。在理想條件下，進行乘法累加運算的功耗很低。

Feldmann研究團隊在毫米級光子芯片上實現(xiàn)了“全光學神經(jīng)網(wǎng)絡”，其中網(wǎng)絡內(nèi)沒有使用光電轉(zhuǎn)換。輸入的數(shù)據(jù)被電子調(diào)制到不同的波長上注入網(wǎng)絡，但此后所有數(shù)據(jù)都保留在芯片上。利用集成相變材料實現(xiàn)突觸權(quán)重的調(diào)節(jié)和神經(jīng)元的集成。

圖2人工神經(jīng)元的脈沖生成與操作

本文作者小規(guī)模地展示了有監(jiān)督和無監(jiān)督的學習 - 即使用標記數(shù)據(jù)實現(xiàn)訓練（DNN學習的方式），以及使用未標記的數(shù)據(jù)訓練（類似人類的學習方式）。

圖3基于相變?nèi)鈱W神經(jīng)元系統(tǒng)實現(xiàn)監(jiān)督學習和非監(jiān)督學習

因為權(quán)重表達是通過光的吸收實現(xiàn)的，所以負權(quán)重需要更大的偏置信號，該信號不能激活相變材料。一種替代方法是使用Mach-Zehnder干涉儀的裝置，將單個波導分成兩個臂，然后重新組合，這時的透射光量取決于兩個傳播路徑之間光學相位的差異。然而，要想將這種方法與波分復用相結(jié)合可能難度較大，因為每個干涉儀的臂需要為每個波長引入適當?shù)南辔徊睢?/p>

全光學實現(xiàn)的DNN仍然存在重大挑戰(zhàn)。在理想情況下，它們的總功率使用率可能較低，經(jīng)常需要熱光功率來調(diào)節(jié)和維持每個Mach-Zehnder干涉儀臂中的光學相位差異。

圖4全光學神經(jīng)網(wǎng)絡的可擴展架構(gòu)

此外，對注入含有相變材料的系統(tǒng)的總光功率必須仔細校準，以使材料對輸入信號的響應符合預期。盡管相變材料也可以用于調(diào)整Mach-Zehnder相位，但是材料吸收光的強度和減慢光速之間會出現(xiàn)不可避免的交叉耦合，這會增加系統(tǒng)的復雜性。

傳統(tǒng)的DNN規(guī)模已經(jīng)發(fā)展到很大，可能包含數(shù)千個神經(jīng)元和數(shù)百萬個突觸。但是光子網(wǎng)絡的波導需要彼此間隔很遠才能防止耦合，并且避免急劇彎曲以防止光離開波導。因為兩個波導的交叉可能會將不需要的功率注入錯誤路徑，這對光子芯片設計的2D特性造成了實質(zhì)性的限制。

圖5單層脈沖神經(jīng)網(wǎng)絡的實驗實現(xiàn)

實現(xiàn)光學器件打造神經(jīng)網(wǎng)絡需要很長的距離和很大的面積，但是每個光學結(jié)構(gòu)的關鍵部分的制造需要高精度。這是因為波導和耦合區(qū)域，比如在每個微環(huán)諧振器的入口和出口處，必須達到相應網(wǎng)絡性能所需的精確尺寸。對于如何制造小型微環(huán)諧振器也存在諸多限制。

最后，調(diào)制技術(shù)提供的光學效應較弱，需要很長的相互作用區(qū)域，以使其對通過的光的有限影響能夠達到顯著水平。

Feldmann 團隊的研究中所取得的進步，有望推動該領域的未來發(fā)展，該研究可能會為未來高能效、可擴展的光學神經(jīng)網(wǎng)絡加速器的出現(xiàn)打下基礎。