光学神经网络（Optical Neural Networks，ONNs）是一种利用光学元器件（如波导、调制器、探测器等）实现人工神经网络功能的计算系统。它通过利用光信号的传播特性来实现信息处理和计算功能，具有低延迟、低能耗、大带宽以及抗电磁干扰强等优势。
近日，清华大学电子系陈宏伟教授团队联合国防科技大学团队，以“光学神经网络：进展与挑战”（Optical neural networks: progress and challenges）为题在《光：科学和应用》（Light：Science & Applications）上发表综述，对近几年来光学神经网络的相关研究工作进行了梳理。
非集成ONNs主要以体积较大的光学元器件来构建系统，包括基于透镜组的4f系统、空间光调制器（SLM）、数字微镜系统（DMD）、衍射超表面、偏振器、光放大器以及滤波器等光学元器件。集成ONNs则主要是基于片上马赫-曾德尔干涉仪（MZI）、微环谐振器（MRR）、调制器（PM/AM）、衰减器以及亚波长衍射器件等光学元器件来构建系统。现阶段，为了能够较好地解决可重构、非线性以及系统能耗的问题，非集成/集成ONNs中均有工作尝试引入相变材料、饱和吸收体等新型材料来进一步提升ONNs的推理及计算性能。
现阶段ONNs在现实场景中的应用尚未成熟，在执行一些简单任务时也离不开电子硬件系统的辅助。根据文章对ONNs相关研究工作的总结和分析，不难发现ONNs主要在存储、非线性以及大规模可重构等方面仍然存在技术瓶颈。因此，短期内如果希望将ONNs推向真正的应用场景中，光电混合ONNs系统或许是一种潜在可行的方案。光电混合ONNs系统（图3）结合了光学和电子计算的优势，旨在利用当前ONNs的算力优势完成大部分算力任务，再搭配电子辅助电路进行ONNs的参数重构、非线性运算、数据存储及流控等，在实现更高算力、更低功耗的同时，也可保持其灵活性和可编程性。值得注意的是，光/电、电/光转化效率（能耗和速率）的优化未来也将成为提升光电混合ONNs系统性能的关键。
近期会议推荐：2024年神经形态光子学国际会议
更多内容请到光行天下: http://www.opticsky.cn
科研稿件|技术文章投递: service@opticsky.cn
