Banner
撰稿：符庭钊 (国防科技大学 副研究员)
光学神经网络（Optical Neural Networks, ONNs）是一种利用光学器件（激光、光学调制器、滤波器、探测器等）来模拟和实现神经网络推理功能的计算模型。与电子神经网络相比，ONNs通过利用光的特征量（振幅、相位、频率等）进行信号传输和数据处理，将神经网络的推理计算过程在光的传播过程中完成，具有低延迟、低能耗、并行信号处理以及抗电磁干扰强等优势。
近日，国防科技大学纳米光电子技术团队与清华大学陈宏伟教授团队以“Optical neural networks: progress and challenges”为题在Light: Science & Applications发表了一篇综述文章。国防科技大学符庭钊副研究员为论文的第一作者，清华大学陈宏伟教授为论文的通讯作者。该工作得到了国家自然科学基金项目的支持。
该综述首先介绍了ONNs的发展历史、光学人工神经元的数学模型以及基于不同光学元器件构建ONNs的区别。其次，系统地回顾了近几年来非集成/集成ONNs的典型研究工作。最后，对不同类型ONNs在计算容量、集成度、可重构性、非线性、可拓展性以及通用性等方面的性能进行了对比和分析，并讨论了各类型ONNs在未来发展中可能面临的挑战。在讨论部分，该综述对现阶段国内外关于光计算公司的发展情况进行了介绍，同时对ONNs未来发展的新架构和应用领域进行了展望。
图1：光学神经网络相关研究工作的时间线节点
图2：基于不同光学元器件设计的ONNs
此外，基于其他自由空间光学元器件设计的ONNs同样存在集成度低、稳定性和便携性差等问题。基于此，研究者们利用片上集成的方法解决了部分问题，如基于马赫曾德尔干涉仪（Mach–Zehnder Interferometer, MZI）、微环谐振器（Micro-ring Resonators, MRR）等片上集成光学元器件设计的ONNs，其集成度得到了提升，同时获得了较好的稳定性和便携性。然而，由于这些片上集成光学元器件在ONNs工作过程中需要持续的能量输入，且在计算单元大规模拓展的情况下相邻计算单元间存在热串扰问题，导致片上集成ONNs的工作性能难以保证。为了解决计算单元的能耗和热串扰问题，研究者们引入了相变材料（Phase Change Material, PCM）。由于PCM具有非易失性和可编程性，因此利用PCM来设计片上计算单元，不仅能够支持片上集成ONNs以全光的形式完成推理过程，而且可以赋予其可重构功能。除此之外，PCM的引入还能够使ONNs在光域上实现非线性功能，进一步提高其推理能力。尽管PCM能够给片上集成ONNs带来诸多好处，然而现阶段关于可编程、非线性等功能的实现规模均很小。未来，在片上集成ONNs计算单元大规模拓展的情况下，将不得不考虑PCM的插入损耗，因为这将直接影响ONNs系统的实现可行性。本综述在文中相应位置对各个不同类型ONNs的优劣进行了分析和讨论，同时对其未来发展方向进行了展望。
虽然现阶段ONNs的发展依然面临诸多困难，但是在技术层面上已经取得了成功。同时，学术界的科学研究也正在尝试朝着实用化方向发展，如普林斯顿大学研究团队将片上集成ONNs应用于海底光纤链路的非线性补偿。剑桥大学研究团队基于光子深度学习开发了边缘计算架构，该架构下的计算效率超越了电子计算硬件。除了学术界的努力，产业界（如Lightmatter、Lightelligence等公司）也在光计算方面做出了实践性探索。
图3：光电混合ONNs系统框架示意图
图4：未来ONNs系统可能应用的领域
论文信息
Fu, T., Zhang, J., Sun, R. et al. Optical neural networks: progress and challenges. Light Sci Appl 13, 263 (2024).
Banner
如下数据来自Web of Science，Light: Science & Applications的高被引文章数量在国内同类期刊中稳居领军地位。截至目前：
https://doi.org/10.1038/s41377-019-0194-2
超过200次引用的文章有135篇
超过100次引用的文章有335篇
超过50次引用的文章有664篇
欢迎课题组投宣传稿
请扫码联系值班编辑
👇 关注我 👇
