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 👇