光子芯片研究进展及展望:面向未来的计算系统(2)
近年来,人们对光计算技术的需求迅速增加,其原因在于:
一是随着摩尔定律的逐步失效,以及大数据时代对计算系统功耗和速度要求的不断提高,光计算技术高速和低功耗的特点越来越受到人们的重视;
二是光计算技术的并行性运算特点,以及光学神经网络等算法和硬件架构的发展,为图像识别、语音识别、虚拟现实等人工智能技术对算力的需求提供了最有潜力的解决方案。
光计算可以分为模拟光计算和数字光计算。模拟光计算最典型的一个例子就是傅立叶运算,在图像处理等领域需要运用傅立叶变换相关的计算,如卷积计算。用传统计算机来计算傅立叶变换是非常消耗计算量的,而光通过透镜的过程,本身就是一次傅立叶变换的过程,这个过程几乎完全不需要时间。数字光计算是利用光和光学器件组合形成经典的逻辑门,构建类似传统数字电子计算原理的计算系统,通过复杂的逻辑门组合操作实现计算。
空间光计算
空间光计算的基础是范德?拉格特(Vander Lugt)于1964年提出的基于光学相关器的方法,计算是在空间滤波的基础上实现的,在系统焦平面上放置一个匹配滤波器,对输入光信号进行相位补偿,从而在输出平面上产生代表计算结果的光信号。
1978年,古德曼(J. W. Goodman)提出光学矢量-矩阵乘法器的光计算模型,其光路系统如下图所示,主要由光源陈列、球面透镜和柱面透镜组、空间光调制器和光探测器阵列构成。通过滑动来实现柱面镜复制,然后根据光场复振幅调制来实现乘积,最后通过透镜聚焦来实现求和。从矢量-矩阵乘法运算的过程可以看出其乘法运算和加法运算都是并行进行的,没有次序先后的问题,从而大大提高了系统算力和运算效率。
基于多层感知器的衍射光学光子芯片
1943年,神经生理学家沃伦?麦卡洛克(Warren S. McCulloch)和数学家沃尔特?皮茨(Walter Pitts)根据神经信号传输方式提出了感知器的概念,即“M-P神经元模型”。感知器是具有单一人造神经元的神经网络,它有一个输入层和将输入单元和输出单元相连的一组连接,描述了神经元的时间总和、域值等特征,首次实现用一个简单电路(即感知器)来模拟大脑神经元的行为。
2018年9月,加州大学洛杉矶分校奥茨坎(Ozcan)等人采用空间光调制器和三维打印的介质材料构建多层感知器,实现了衍射光学深度神经网络光子芯片,他们设计出3D打印的固态衍射光学元件,通过控制不同层之间传播的衍射光来实现特定权重互连。不得不说,这种方案存在一些后续还需重点考虑的问题,例如:像元太大,导致扇入扇出角度太小,连接性不强;用空间光调制器加载矩阵元,功耗高、刷新慢;固定的介质材料不可调制;计算功能简单等。
光学向量-矩阵乘法器原理
基于马赫-曾德干涉仪光开关阵列的可编程光子芯片
2017年6月,美国麻省理工学院的沈(Shen)等人构建了一种基于硅基马赫-曾德干涉仪光开关阵列(MZI)的全光卷积架构,通过在这种纳米光子芯片上的深度学习编程实现语音识别功能。
芯片由56个可编程MZI和213个相移单元级联而成,设计的1×4神经网络结构被集成到一个毫米级的硅基芯片上。
MZI光开关在平面内实现光学全互联,通过调节电压值实现MZI光开关的分光比,从而在芯片上加载可编程的权重矩阵。该方案中某一层的一个神经元能连接到的邻层神经元的数量有限;MZI布线特点导致可扩展性差;相移器是热光控制的,能量损耗较大。这些都是后续发展需要着重考虑的技术问题。
光子芯片基于微环的全光学脉冲光子芯片
2019年5月,一种基于相变材料加级联微环结构的全光学神经网络芯片由德国明斯特大学费尔德曼(Feldmann)等人提出,该芯片可实现简单的英文字母识别。
该芯片构建了一个包含140个相变微环光开关的神经网络结构,通过波分复用技术,使多种不同波长的激光在光波导芯片中互相无串扰传输。每个微环节点上都附着高灵敏的相变材料以构成微环谐振器结构神经元。相变材料存在晶态和非晶态两种不同特性,当材料为非晶态时表现出高透过率,在其中传播的光波可通过;当材料为晶态时表现为低透射率,在其中传播的光波大多被材料吸收,无法通过。该方案需要进一步解决的问题包括:已有相变材料体系无法实现负折射率,权重因子只能取正数,因此拟合效果较差;相变材料的寿命、响应速度等。
文章来源:《机械设计与研究》 网址: http://www.jxsjyyj.cn/zonghexinwen/2021/0725/1208.html