引言
近年来，受人脑信息处理能力启发的神经形态计算引起了广泛关注。随着传统电子架构接近其物理极限，研究人员正在探索实现神经网络的替代平台。神经形态硅基光电子是有前途的方法，利用光的力量以前所未有的速度执行神经计算。本文将介绍神经形态硅基光电子的迷人世界，探讨其关键组件、架构和潜在应用。
神经形态计算基础
神经形态计算旨在模仿大脑的神经结构和功能，以高效处理信息。传统人工神经网络（ANNs）通常在数字处理器上实现，这对并行、异步计算可能效率不高。神经形态硬件通过创建更接近生物神经网络的专用线路来解决这种不匹配。
硅基光电子平台
硅基光电子因其高速信号处理能力和与现有微电子制造工艺的兼容性，为神经形态计算提供了一个有吸引力的平台。在硅芯片上集成光学组件允许创建复杂的光电子线路，可以以光速执行神经网络操作。
神经形态硅基光电子系统的关键组件
光电子神经元：
光电子神经元是神经形态硅基光电子系统的核心，执行神经网络所需的关键非线性变换。这些神经元可以通过多种方法实现：
a) 相干神经元：
相干神经元通过操纵光波的相位和振幅来执行计算。通常使用分束器和相移器来控制具有明确定义的波长、模式和偏振的光的干涉。
b) 非相干神经元：
非相干神经元在多个波长、模式或偏振上操作光的强度。常常使用微环谐振器或电吸收调制器来实现非线性变换。
图1：硅基光电子连续非线性单元及其实验测量的传递函数示例。该图显示了通过平衡光电探测器对和电光调制器实现的各种光-电-光（O-E-O）传递函数，包括sigmoid和修正线性单元（ReLU）函数。
乘累加操作：
乘累加（MAC）操作是神经网络中的重要操作，将输入信号与适当的权重相结合。在硅基光电子中，可以通过两种主要方法实现：
a) 相干MAC：
相干MAC操作利用光波干涉来执行矩阵-矢量乘法。这种方法可以对路径编码的相干输入光束实现任何幺正变换。
b) 非相干MAC：
非相干MAC操作使用不同波长或模式的选择性滤波和衰减来执行加权求和。这种方法通常称为"广播加权"，允许灵活的网络拓扑。
图2：相干（上）和非相干（下）乘累加操作。该图比较了两种方法，展示了相干方法如何使用幺正旋转，而非相干方法如何利用光学复用实现网络灵活性。
构建神经形态硅基光电子网络
有了基本构建块，我们现在可以探讨如何使用硅基光电子构建完整的神经网络。
网络拓扑
网络拓扑的选择取决于具体的实现方法：
a) 相干网络：
相干网络通常使用互连光电子组件的网格来创建深度前馈架构。挑战在于在整个网络中保持相干路径编码。
b) 非相干网络：
非相干网络通常采用"广播加权"协议，每个神经元在自己的信道（波长、模式或偏振）上发射信号。这种方法允许灵活的网络拓扑，包括递归连接。
图3：光电子神经网络与CPU的性能对比。该图展示了广播加权网络的概念、实验设置，以及与传统CPU在解决洛伦兹吸引子问题上的性能比较。
c) 权重库：
在非相干网络中，由可调谐微环谐振器组成的权重库用于实现神经元之间的突触权重。这些权重库允许可重构连接和可适应的网络架构。
光电子神经网络的训练和学习
目前的研究主要集中在推理任务上，但片上学习是活跃的研究领域。正在探索的方法包括：
a) 尖峰时间依赖可塑性（STDP）：
STDP是一种受生物启发的学习规则，已在使用相变材料的硅基光电子中得到证明。
b) 反向传播：
研究人员正在探索使用时间反演对称性和强度测量在相干光电子网络中实现反向传播的方法。
神经形态硅基光电子网络的应用
1. 超快微分方程求解：
光电子神经网络在求解复杂微分方程方面显示出前景，例如描述洛伦兹吸引子等混沌系统的方程。这些网络在速度方面可能比传统CPU快几个数量级。
2. 非线性规划和模型预测控制：
光电子神经网络的高速使控制系统中出现了新的可能性，特别是在模型预测控制方面。这些网络可以在微秒时间尺度上解决二次规划问题并执行约束，为各种应用开辟了新的控制领域。
图4：使用神经形态光电子处理器实现模型预测控制（MPC）的示意图。该图说明了将MPC问题映射到二次规划（QP）问题并使用连续时间递归神经网络（CT-RNN）在光电子处理器上实现的过程。
智能信号处理：
光电子神经网络特别适合处理已经在光学领域的信号。两个值得注意的应用包括：
a) 光纤非线性补偿：
光电子神经网络可以学习和补偿长距离光通信系统中的非线性传输损伤，改善信号质量和传输距离。
图5：用于光纤非线性补偿的光电子硅基神经网络。该图显示了实验设置和使用人工神经网络（ANN）和光电子神经网络（PNN）对32 Gbaud PM-16QAM光通信系统进行非线性补偿所取得的性能改进。
b) 宽带射频信号处理：
光电子神经元的线性组件，如权重库，可以在光学领域对GHz调制数据执行降维和盲源分离。这种方法消除了数字信号处理的需求，并减少了所需的模数转换次数。
挑战和未来方向
神经形态硅基光电子显示出巨大潜力，但仍然存在几个挑战：
a) 光源和放大器的集成：
将光源和放大器与硅基光电子线路紧密集成对提高性能和便于部署非常重要。
b) 新型电光材料：
引入与硅基光电子兼容的新型电光材料可以增强光电子神经网络的功能和性能。
c) 与CMOS电子的共集成：
利用零变更CMOS硅基光电子平台可以改善当前硅调制器神经元的增益带宽权衡，并提高控制电子器件的密度。
d) 片上学习：
开发高效的片上学习算法和硬件实现对于创建自适应和自我改进的光电子神经网络非常重要。
结论
神经形态硅基光电子代表了计算领域的一个有前景的前沿，具有创造超快、节能的神经网络处理器的潜力。通过利用光进行信息处理，这些系统可以解决信号处理、控制系统和高速通信等领域的复杂问题。随着该领域研究的不断进展，我们可以期待看到神经形态硅基光电子系统在塑造人工智能和机器学习应用的未来方面发挥越来越重要的作用。
参考文献
[1] M. Nikdast, S. Pasricha, G. Nicolescu, and A. Seyedi, Eds., Silicon Photonics for High-Performance Computing and Beyond, 1st ed. Boca Raton, FL, USA：CRC Press, 2021.
点击左下角"阅读原文"马上申请
欢迎转载
转载请注明出处，请勿修改内容和删除作者信息！
关注我们
关于我们：
深圳逍遥科技有限公司（Latitude Design Automation Inc.）是一家专注于半导体芯片设计自动化（EDA）的高科技软件公司。我们自主开发特色工艺芯片设计和仿真软件，提供成熟的设计解决方案如PIC Studio、MEMS Studio和Meta Studio，分别针对光电芯片、微机电系统、超透镜的设计与仿真。我们提供特色工艺的半导体芯片集成电路版图、IP和PDK工程服务，广泛服务于光通讯、光计算、光量子通信和微纳光子器件领域的头部客户。逍遥科技与国内外晶圆代工厂及硅光/MEMS中试线合作，推动特色工艺半导体产业链发展，致力于为客户提供前沿技术与服务。
http://www.latitudeda.com/
（点击上方名片关注我们，发现更多精彩内容）
