綜述光學(xué)神經(jīng)網(wǎng)絡(luò)的進(jìn)展與挑戰(zhàn)

光學(xué)神經(jīng)網(wǎng)絡(luò)（Optical Neural Networks，ONNs）是一種利用光學(xué)元器件（如波導(dǎo)、調(diào)制器、探測器等）實(shí)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)功能的計(jì)算系統(tǒng)。它通過利用光信號的傳播特性來實(shí)現(xiàn)信息處理和計(jì)算功能，具有低延遲、低能耗、大帶寬以及抗電磁干擾強(qiáng)等優(yōu)勢。

近日，清華大學(xué)電子系陳宏偉教授團(tuán)隊(duì)聯(lián)合國防科技大學(xué)團(tuán)隊(duì)，以“光學(xué)神經(jīng)網(wǎng)絡(luò)：進(jìn)展與挑戰(zhàn)”（Optical neural networks: progress and challenges）為題在《光：科學(xué)和應(yīng)用》（Light：Science & Applications）上發(fā)表綜述，對近幾年來光學(xué)神經(jīng)網(wǎng)絡(luò)的相關(guān)研究工作進(jìn)行了梳理。

圖1.光學(xué)神經(jīng)網(wǎng)絡(luò)相關(guān)研究工作時(shí)間軸線

文章宏觀闡述了ONNs的發(fā)展歷史，直觀展示了ONNs的發(fā)展歷程（圖1），并提出非集成ONNs和集成ONNs兩種分類形式，進(jìn)一步基于自由空間和片上集成中的不同光學(xué)元器件（圖2）將ONNs細(xì)分為七種類型，并對基于不同光學(xué)元器件構(gòu)建的ONNs的設(shè)計(jì)原理進(jìn)行了介紹。

圖2.用于實(shí)現(xiàn)光學(xué)神經(jīng)網(wǎng)絡(luò)功能的不同光學(xué)元器件及系統(tǒng)

非集成ONNs主要以體積較大的光學(xué)元器件來構(gòu)建系統(tǒng)，包括基于透鏡組的4f系統(tǒng)、空間光調(diào)制器（SLM）、數(shù)字微鏡系統(tǒng)（DMD）、衍射超表面、偏振器、光放大器以及濾波器等光學(xué)元器件。集成ONNs則主要是基于片上馬赫-曾德爾干涉儀（MZI）、微環(huán)諧振器（MRR）、調(diào)制器（PM/AM）、衰減器以及亞波長衍射器件等光學(xué)元器件來構(gòu)建系統(tǒng)�，F(xiàn)階段，為了能夠較好地解決可重構(gòu)、非線性以及系統(tǒng)能耗的問題，非集成/集成ONNs中均有工作嘗試引入相變材料、飽和吸收體等新型材料來進(jìn)一步提升ONNs的推理及計(jì)算性能。文章對基于每一類不同光學(xué)元器件構(gòu)建的ONNs的典型研究工作進(jìn)行了詳細(xì)介紹和評述。另外，文章中對不同類型ONNs的集成度、可重構(gòu)性、非線性、可拓展性、穩(wěn)定性、通用性等性能指標(biāo)進(jìn)行了對比分析，同時(shí)對計(jì)算容量和計(jì)算密度等定義進(jìn)行了闡述和說明。

現(xiàn)階段ONNs在現(xiàn)實(shí)場景中的應(yīng)用尚未成熟，在執(zhí)行一些簡單任務(wù)時(shí)也離不開電子硬件系統(tǒng)的輔助。根據(jù)文章對ONNs相關(guān)研究工作的總結(jié)和分析，不難發(fā)現(xiàn)ONNs主要在存儲、非線性以及大規(guī)模可重構(gòu)等方面仍然存在技術(shù)瓶頸。因此，短期內(nèi)如果希望將ONNs推向真正的應(yīng)用場景中，光電混合ONNs系統(tǒng)或許是一種潛在可行的方案。光電混合ONNs系統(tǒng)（圖3）結(jié)合了光學(xué)和電子計(jì)算的優(yōu)勢，旨在利用當(dāng)前ONNs的算力優(yōu)勢完成大部分算力任務(wù)，再搭配電子輔助電路進(jìn)行ONNs的參數(shù)重構(gòu)、非線性運(yùn)算、數(shù)據(jù)存儲及流控等，在實(shí)現(xiàn)更高算力、更低功耗的同時(shí)，也可保持其靈活性和可編程性。值得注意的是，光/電、電/光轉(zhuǎn)化效率（能耗和速率）的優(yōu)化未來也將成為提升光電混合ONNs系統(tǒng)性能的關(guān)鍵。

圖3.光電混合ONNs系統(tǒng)架構(gòu)

現(xiàn)階段ONNs發(fā)展時(shí)間尚短，仍然存在關(guān)鍵技術(shù)難題有待解決，因此要實(shí)現(xiàn)在各個(gè)領(lǐng)域的實(shí)際應(yīng)用還需要一定的時(shí)間。盡管如此，ONNs已經(jīng)在部分專用領(lǐng)域的應(yīng)用場景中展開了嘗試。如普林斯頓大學(xué)研究團(tuán)隊(duì)將片上集成ONNs應(yīng)用于海底光纖鏈路的非線性補(bǔ)償；劍橋大學(xué)研究團(tuán)隊(duì)基于光子深度學(xué)習(xí)開發(fā)了邊緣計(jì)算架構(gòu)；Lightmatter公司發(fā)布了Envise和Passge產(chǎn)品；Lightelligence公司發(fā)布了光子計(jì)算引擎（PACE）等。未來，通過對全光ONNs系統(tǒng)或混合ONNs系統(tǒng)架構(gòu)的不斷優(yōu)化，有望推動全光ONNs或光電混合ONNs系統(tǒng)在更為廣泛的實(shí)際場景中得到應(yīng)用和發(fā)展。

清華大學(xué)電子系陳宏偉教授為綜述文章的通訊作者，電子系博士畢業(yè)生符庭釗（現(xiàn)為國防科技大學(xué)副研究員）為綜述文章的第一作者。該工作得到了國家自然科學(xué)基金項(xiàng)目的支持。

論文鏈接：https://doi.org/10.1038/s41377-024-01590-3