人工神經網絡廣泛應用于人臉識別、語音翻譯、醫療診斷、自動駕駛等重要領域，其性能主要由硬件算力決定，目前所廣泛應用的神經網絡硬件都基于數字電子架構。然而，該架構的兩個本質局限—馮諾曼依瓶頸與電子速率瓶頸，極大限制了神經網絡硬件的潛在算力。首先，數字架構中，數據的存儲和運算是分布式的，因而在計算過程中，會有大量的能源和算力消耗在數據的反復讀取和存儲中，此限制被稱為馮諾曼依瓶頸。其次，由于電子微處理器中的寄生電容和互聯時延問題，電子系統存在著本質的帶寬限制，導致電子微處理器的主頻事實上在過去十年已沒有明顯提升，此限制也被稱為電子速率瓶頸。

光子神經網絡工作于模擬架構中，即數據在硬件系統中的實時位置與進行運算的位置相同，因而規避了馮諾曼依瓶頸。此外，寬達數十太赫茲的光譜也為高速運算提供了充足的帶寬。目前已有來自加州大學、麻省理工學院、明斯特大學等單位的研究團隊做出了一系列在網絡尺度、可集成性、片上存儲等方面的突破，然而尚未能實現較高運算速度與高維數據處理能力，光子神經網絡的超高運算潛力尚未得到證實。

近日，澳大利亞研究人員徐興元博士（莫納什大學）、譚朦曦博士、David Moss教授（斯文本科技大學）、Arnan Mitchell教授（皇家墨爾本理工大學）等首次提出并實現了基于波長、時間交織的光子卷積加速器。該文章以“ 11 TOPS photonic convolutional accelerator for optical neural networks”為題發表在Nature。

研究人員通過采用集成高品質因素、高非線性微環與波導色散調控，實現了高相干度、易于產生的集成克爾孤子晶體光頻梳。

研究人員將該光頻梳進行頻域整形并且與高速光電調制相結合，實現了輸入數據在并行波長通道上的組播與加權，然后采用光學色散介質作為緩存，對組播信號進行了步進延時（步長為單個碼元時長），從而在時域上對齊了不同波長通道中需要加權求和的碼元，最后通過光電轉換實現處理結果的高速實時讀取（如圖1所示）。通過這一系列步驟，波長構架的卷積窗口（感知域）即可在時域以超過60GBaud的速率滑動，結合克爾光頻梳所實現的高并行度（C波段90個波長通道），實現了11 TOPS（太運算每秒）的運算速度，即每秒可完成11萬億次運算。

圖1 卷積加速器工作原理

圖源：Nature 589， 44–51 （2021）。 Fig 1

通過這一系列步驟，數學模型抽象的神經元突觸就被光頻梳在實際物理系統中實現，其中突觸連接的權重由光頻梳的光功率體現。最終實驗驗證了高維圖片處理（實驗結果如圖2所示）以及深度學習光子卷積神經網絡（實驗結果如圖3所示）。

圖2 卷積圖像處理結果

圖源：Nature 589， 44–51 （2021）。 Fig 3

在國際相關研究成果的基礎上實現了數個突破，包括：

1. 由于集成克爾光頻梳所提供的大量波長通道，運算速度首次突破到11 TOPS以上；

2. 首次實現了利用光學手段進行高維數據處理（25萬像素點），為光子神經網絡的進一步實際應用如人臉識別等展現了可能；

3. 實現了500張MINIST手寫數字圖片的高速分類預測，準確率達到88%以上；

4. 實現了具備高速光電接口的硬件加速器，速度可達64G Baud以上，并且可與現有電子或者光學硬件兼容互聯；

5. 結合應用了集成克爾光頻梳，為實現光子神經網絡的單片集成奠定了基礎。

圖3 卷積神經網絡50張手寫數字識別結果。上圖為全連接層神經元輸出幅度，下圖為混淆矩陣。

圖源：Nature 589， 44–51 （2021）。 Fig 6

后續，研究人員將繼續優化本方案的性能指標，如處理速度、并行度、體積與可集成性、功耗等。本工作實驗證明了光子神經網絡硬件的運算潛力，并且具有高速光電接口，未來可作為通用卷積特征提取前端與其他光電模數架構互聯，在卷積神經網絡中可承擔70%以上的運算負荷，大幅提升系統整體算力，在未來實時人工智能應用場景如無人駕駛、醫療診斷等方面有重要應用。

責任編輯：PSY