光子神经网络芯片的计算时间不到十亿分之一秒，并且具有与传统神经网络相当的精度。

图 1：用于光子神经网络的具有可编程处理功能的光子芯片的显微图像。

意大利米兰理工大学（Politecnico di Milano）和斯坦福大学的研究人员，构建了一种光子神经网络（PNN）芯片，该芯片利用光子加速器实现了快速、强大和高效的计算。芯片上的光波导由可控节点连接，从而形成可编程的光子网格——硅干涉仪网格。

“从光学角度看，该电路实现了一个完全可重构的多径干涉仪。从功能上看，它直接在光域中执行加法和乘法运算，”米兰理工大学光子器件实验室负责人Francesco Morichetti说，“这意味着，如果我们在其输入端口输入光信号，输出信号将是输入信号的线性组合。”

从数学的角度来看，PNN芯片采用的是一种矩阵-向量乘法，这是计算中所需的基本代数算法。“许多典型的计算操作都是以这种形式进行的，幸运的是，线性算子描述的任何内容都能用光学方法实现。”

PNN芯片是米兰理工大学和斯坦福大学团队五年前开始的长期合作的成果。

Morichetti和米兰理工大学的研究人员正在设计可编程的硅光子架构，特别是用于自动控制这些结构的先进算法。与此同时，斯坦福大学的研究人员也从理论上构思了光子架构，这些架构有可能实现复杂的功能，但仍需要转化为物理光子电路。

“我们在光子学方面的专业知识是互补的，”Morichetti说。

细节决定成败

新型PNN芯片的核心光子网格，是通用电路或可编程光子处理器（见图1）。Morichetti解释说，在某种程度上，它们可以被视为电子FPGA（集成电路中的现场可编程门阵列）的光学对应物，尽管光子学本质上是模拟的。

在PNN出现之前，这种芯片技术在米兰理工大学与斯坦福大学合作的几个研究项目中得到了应用。例如，他们使用光子处理器来产生和接收具有合适形状的自由空间光束，以优化通过半透明障碍物或散射介质的传输、通信和传感。

“我们还使用光子网格直接在光域中对通过散射介质传输后、混杂在一起的几束光进行解码，”Morichetti说，“这使我们能够恢复单个光束所携带的信息，这对利用多种光学模式的大容量传输系统具有重要意义。”

神经网络必须执行复杂的功能，并通过检查先前操作的效果来调整其行为。这种训练需要耗费大量能源和电力，但在光子芯片上构建神经网络，为实现更节能的计算单元铺平了道路（见图2）。

图2：光子芯片上的神经网络。

然而，利用光子技术实现高效神经网络的一个主要挑战，是在网络训练中如何利用光学的能力。斯坦福大学前研究员、现为加州Palo Alto计算机硬件制造商PsiQuantum的量子架构师Sunil Pai表示，这也是研发工作中要求最高的部分。

“迄今为止，PNN仅用于在通过外部计算机训练的系统中执行推理任务，这实质上限制了使用光子硬件的优势，”Pai说。

但是，斯坦福大学Pai团队的研究工作表明，PNN可以在原地（in situ）训练。为此，他们使用了一种反向传播算法的临时实现方法。与传统的反向传播算法一样，网络被输入训练数据，并被要求做出预测。每次迭代时，对预测误差进行评估并通过网络进行反向反馈，从而优化光子网格的节点，提高预测精度。现在，对于训练数据和误差数据，这些过程完全是通过光信号来完成的。

“这一成果是一个重要的里程碑，因为它证明了PNN可以在光域中直接、高效地进行训练，”Pai 说，“在训练过程结束时，PNN显示出与传统数字神经网络相当的性能。”

在整个训练过程中，研究人员通过近红外相机测量从网格特定点发出的光，来监测光子芯片。在这一阶段，只有PNN的线性运算是以光学方式实现的。这是计算成本最高的任务。“激活函数（与每个神经元输出相关的非线性操作）仍然是在芯片外以数字方式进行的。片上非线性运算的高效实现，将是迈向全光子人工智能片上计算的下一步，”Pai说。

下一步工作

网络训练仍处于概念验证阶段，因为研究团队的初步结果是在相对较小的网络上实现的。Pai说，为了将训练规模扩大到更大的PNN，研究人员需要更有效地控制光子芯片。目前，光子网格是通过热致动器来编程的，这种热致动器速度慢、耗能大，并且会受到热串扰的影响。

利用微机电系统（MEMS）或电光材料，在集成硅光子芯片中实现更快、更节能的执行器的解决方案正在出现。基于此，研究人员可以进一步扩大PNN的尺寸。 集成光电探测器也可用于硅光子学，并且可以减少监控操作中浪费的光量，并提高精度与能耗。 

Morichetti说：“当需要进行大规模计算时，光子学方法相对于传统数字处理的优势会更加明显。”

作者： Justine Murphy