近期，中国科学院上海光学精密机械研究所空天激光技术与系统部王俊研究员团队在用于光计算的全光非线性激活器研究方面取得进展，相关成果以“Inverse-designed Integrated All-optical Nonlinear Activators for Optical Computing”为题发表于Optics Express。之后，王俊研究员团队与之江实验室、浙江大学团队合作开发了一种创新的集成非线性激活器，相关成果以“Ultra-broadband all-optical nonlinear activation function enabled by MoTe2/ optical waveguide integrated devices”为题发表于Nature Communications。
光计算和光学神经网络（Optical Neural Networks，ONNs）被认为有潜力解决当前AI技术在能耗和计算效率上的瓶颈，未来有望成为AI计算硬件架构的主流选择之一。作为集成ONNs的核心组成部分，光学非线性激活函数在提升网络复杂度和适应多样化应用场景方面发挥着至关重要的作用。然而，现有的集成光学非线性激活器在响应速度、激活阈值和工作带宽等方面仍存在一定的局限性。此外，传统集成光子器件还面临通用性不足、高集成度及功能复杂器件设计难度较大等问题，这不利于实现大规模集成的ONNs。
为解决上述问题，研究人员通过实验验证了基于逆向设计的硅基全光集成非线性激活器，在器件设计中创新性引入了克尔非线性效应，通过求解非线性麦克斯韦方程组，计算优化结构中的电场分布，使用 L-BFGS算法更新梯度，实现器件结构设计。相比于传统的光子集成器件，硅基全光集成非线性激活器的尺寸更加紧凑。此外，首次使用64通道 Reck 网格拓扑结构和全光非线性激活器形成完整的全连接ONN，验证了马赫增德尔干涉仪的相位误差对验证精度的影响。与线性函数相比，包含非线性激活函数的ONN对网格拓扑中的相位误差具有良好的鲁棒性。本研究提出的结果未来很有希望适用于大规模芯片级ONNs。
图1 基于非线性激活器的全集成 ONN 架构示意图
图2 使用带有非线性激活器的ONNs执行基准机器学习任务的能力演示
为进一步降低非线性激活器的非线性阈值和能耗，研究人员创新性地提出一种基于端面耦合的MoTe2/玻璃光波导平台，制备了一种激活阈值低至0.94μW，响应速度高达2.08 THz，工作带宽超过1000 nm的全光集成非线性激活器。并且通过飞秒激光技术演示了在玻璃中制造出的三维大规模光波导阵列，以及集成的 MoTe2/光波导阵列的可能性。研究人员开发的方案和器件支持大规模、高密度集成和多层耦合网络，这意味着可以实现大规模数据的并行和级联处理。此外，研究人员利用这一非线性激活器成功进行了手写数字识别和彩色图像分类，取得了优异的准确率和卓越的性能。这项研究不仅推动了光子集成技术的发展，也为未来高速光计算的实现提供了技术基础。
图3 光学神经元的计算过程
图4 MNIST手写数字识别
图5 CIFAR-10图像识别
