Lithography-free reconfigurable integrated photonic processor

DOI: https://doi.org/10.1038/s41566-023-01205-0

光子学构成了当今信息基础设施的支柱，它通过利用光域工作固有的内在并行性、更高的频率和大带宽，以前所未有的速度和最低的能耗处理大型数据集，当以原位信号控制、信息处理或一般光子计算操作为目标时，可编程性和多功能性是关键因素。然而，传统集成光子平台高度依赖于高精度光刻技术来制造高分辨率的光子结构，这不仅增加了制造过程的复杂性和成本，也限制了光子芯片在大规模集成和可重构性方面的潜力。

具体来说，光刻技术通过预定义光子结构的实折射率分布来实现特定的光子功能，这种方法虽然有效，但在面对需要高度灵活性和动态可重构性的应用场景时显得力不从心。例如，在复杂的光学计算和实时机器学习任务中，传统的光刻方法难以快速调整光子网络的结构和功能。

宾夕法尼亚大学材料科学与工程系Wu等人提出了一种全新的、基于虚折射率驱动的集成光子处理器，通过动态控制光学增益的空间和时间调制，实现了光子功能的动态可重构性。这种方法完全摒弃了光刻技术，转而利用编码图案化的泵浦光来定义增益-损耗分布，进而空间调制虚折射率。这一创新不仅简化了光子芯片的结构，提高了制造的灵活性，还为光子芯片赋予了前所未有的可重构性和实时学习能力。

通过虚折射率驱动的方法，Wu等人成功实现了一个高度可重构的集成光子处理器，该处理器能够在没有任何预定义光刻特征的情况下，动态配置全局光子网络连接，执行复杂的光学信息处理任务。该工作也展示了如何通过动态控制泵浦光模式来在线优化光子矩阵处理器的传输矩阵，并在实验中实现了高保真度的光信号路由和切换。此外还进一步展示了该处理器在实时机器学习中的应用潜力，通过在线训练光子神经网络，实现了高准确率的元音识别任务。

图1展示了无光刻集成光子处理器的概念，其中具有一个中央未图案化区域，该区域通过在主动III-V族半导体平台上进行动态控制和空间图案化光学增益，提供了一个任意现场可编程光子网络。未图案化晶片上没有任何预定义特征，这为可重构性提供了便利，其中图案化泵浦光的光学编码定义了增益-损耗分布，从而空间调制虚指数，而非通过光刻定义特征进行实指数调制。

算法优化的空间虚指数分布形成了一个芯片上虚指数驱动的光子网络，该网络直接将输入与输出连接，根据所需的矩阵-向量乘法执行光学信息处理（即Tji表示从输入端口i到输出端口j的功率传输），其中信号由每个输入和输出通道中的光功率编码。这种虚折射率驱动网络的优势在于其固有的可重构性，以及与使用空间光调制器（SLM）进行光学编码的便捷图案生成和实时转换相关。在此情况下，实时监测输出光功率的测量结果，并将来自检测的反馈传递给SLM，以更新泵浦图案，用于自我误差校正或现场训练situ（图1b）。

尽管在大规模网络架构中，通常需要逐层仔细设计和调整大量变量，但该工作无光刻、可重构集成光子处理器的一个有前途的特点是，模式优化所需的信息仅包括每个输入（Ii）和输出（Oj）端口在第m个历元测得的功率，以及预定义的目标输出（Tj*）。这种全局输入输出连接的独特特性大大简化了模式重构所需的算法，从而实现了无仿真、实时可重构计算的加速，用于现场训练。

图1 用于片上信号处理和网络训练的免光刻集成光子处理器

离线算法基于电磁场模拟的逆向设计和伴随法。对于N个输入通道，使用N个并行求解器求解二维麦克斯韦方程，以激发I3为例（图2a红色标记）。应用有限差分频域（FDFD）方法求解。根据求解场计算损失函数L，随后模拟伴随场。从两模拟结果中提取负梯度到虚指数的映射，即模拟场e3和伴随场的空间幅度分布。最终虚数索引映射∆εimag(r)通过组合所有求解器的梯度信息生成传输矩阵T。该算法不限制光相干性，但实验演示专注于信号不相干且无稳定相位关系的情况，此时信号和传输矩阵均为正实值。

图3 虚数折射率驱动的任意矩阵处理器的实验演示

采用与图2中相同的目标传输矩阵T，首先根据离线算法生成一个泵浦模式，并将其应用于虚指数驱动矩阵处理区域（图3c，右侧）。尽管离线模拟产生的传输矩阵近乎完美，保真度（其中M表示测得的传输矩阵，T'表示T的转置，且对每个矩阵元素都进行了开方运算）超过99%，但在实际实验中的性能并未达到目标，保真度仅为93%，从而为在线优化留下了充足的空间（图3c，详见原文补充材料）。为补偿偏差，采用在线算法根据实时测量结果调整泵浦模式，经过九次迭代后，测得传输矩阵的保真度提高至99.2%（图3d）。在实时优化过程中（图3e，上图），随着泵浦分布的累积优化，传输矩阵的演变显示出其逐渐收敛于目标（图3e，下图）。

由于矩阵处理器完全通过动态控制泵浦模式进行编程，且其功能不依赖于任何光刻图案结构，因此虚指数驱动的光学编码方案可以实时进行任意重新配置和优化，以实现可重配置计算加速。

应用经典的四元音（'er'、'iy'、'oa' 和 'ae'）分类的原位机器学习任务如图4所示，每个测试集包含 64 个音频文件。使用虚指数驱动的光子处理器执行完全连接的神经光子网络，该处理器具有 500 μm × 324 μm 的未图案化有效面积（图4a）。

在输入层中，12 个微环激光器中的任意 8 个都可以被激发，每个特征的强度被编码为相应微环激光发射的功率，由泵浦强度精确控制，图4a插图。应用了一种迭代方法来保证 8 个微环激光器的功率与数据集中的特征完美匹配，在实验中实现了 99.9% 的平均编码保真度。

与计算机训练的目标矩阵相比，动态在线学习用于处理带有迭代测量反馈的训练数据集，以原位确定最适合元音识别分类任务的矩阵。因此，光子处理器不是从离线算法的泵浦模式开始，而是使用连接所有输入和输出通道的对称泵浦模式进行初始化，然后使用在线算法对其进行原位训练。在第 m个训练时期中，可以在训练数据 k 的输出 j 处计算网络预测（测量输出）和真实情况（目标场景）之间的误差 ，从而可以根据误差反向传播对下一个时期所需的所有矩阵元素的变化进行原位更新：

总的来说，该工作展示了一种全新的无光刻可重构集成光子处理器范式。由于无需光刻，该处理器通过完全消除节点连接需求，实现了卓越的现场可编程性和功能。这种无需光刻的集成光子处理器有望成为下一代信息处理平台的核心技术之一，推动信息技术向更加灵活、智能的方向发展。

免责声明