《【文献】eLight | Monolithically integrated asynchronous optical recurrent accelerator》

  • 来源专题:光电信息技术
  • 编译者: 王靖娴
  • 发布时间:2025-05-09
  • 【内容概述】本研究为华中科技大学武汉光电国家研究中心张新亮、董建绩教授研究团队近日在《eLight》上发表的研究成果,该团队成功研发了一种基于波长编码的异步光学循环加速器。该技术突破了光学计算中的同步控制瓶颈,降低了计算能耗,并提升了计算效率。

      研究围绕光学计算面临的挑战,开展了片上光循环加速器异步计算范式的研究。由于光学计算在克服电子计算能耗和延迟局限的同时,自身存在电域信号转换导致的高能耗与延迟问题,尤其在高频下同步及光延迟管理困难,严重制约其发展。在此背景下,研究人员提出基于波长编码的异步计算范式,通过将时间序列映射到光波长序列,利用波长中继特性,消除信号同步需求,降低能耗和成本。为验证该范式,设计并制造了光学隐马尔可夫模型(OHMM)和光学循环神经网络(ORNN)两种片上光循环加速器,在 DNA 序列分析和日语元音分类等基准任务实验中,展现出高计算精度、低延迟和优越的能效。该研究的创新点在于,打破传统光学计算同步模式的束缚,提出全新的异步计算架构,不仅解决了同步难题,还通过独特的波长编码和中继机制,提升了计算性能,为光计算在大规模并行信号处理领域开辟了新方向,有望推动自动驾驶和智能机器人等应用的发展 。

  • 原文来源:http://mp.weixin.qq.com/s?__biz=MzUzNTA0NDI1Ng==&mid=2247502086&idx=1&sn=008532ccf9caadf93c06e0db5c6c04bd&scene=0#wechat_redirect
相关报告
  • 《【文献】Nature子刊|Ultrasound sensing with optical microcavities》

    • 来源专题:光电信息技术
    • 编译者:王靖娴
    • 发布时间:2024-07-22
    • 【内容概述】中国科学院物理研究所/北京凝聚态物理国家研究中心的李贝贝特聘研究员团队近年来致力于设计并制备基于回音壁模式光学微腔的超高灵敏度超声波传感器,并取得了一系列进展。基于过往的研究和对大量资料文献的总结,该课题组对基于光学微腔的超声波传感器原理及发展进行了梳理,撰写了综述文章“Ultrasound sensing with optical microcavities”( Light Sci. Appl. 2024, 13, 159)文中归纳了超声波传感器的应用场景。还总结了几类常用的微腔超声波传感器包括:法布里-珀罗(F-P)腔,π相移布拉格光栅与回音壁模式(WGM)微腔。 这篇综述概述了基于三种类型的光学微腔的超声波传感机制,并讨论了如何优化超声波传感器的关键参数,关注了光学微腔实现超声波传感应用的最新进展并对其性能进行了总结(见表1)。此外,本文还介绍了光学微腔超声波传感器在不同探测场景中的应用,例如光声成像、测距和粒子检测等方面,为未来高性能超声波成像和传感技术的发展提供了重要参考。相比于传统压电超声波传感器,先进的光学微腔超声波传感器不仅能提高检测灵敏度和空间分辨率,还具有体积小、集成度高等优势,有望在生物医学成像、工业无损检测等领域带来革命性变革。这种基于光学微腔的新型超声波传感技术,必将为超声波在各领域的应用带来新的机遇和发展空间。 原文链接:https://www.nature.com/articles/s41377-024-01480-8.pdf
  • 《【文献】Nature|Fully forward mode training for optical neural networks》

    • 来源专题:光电信息技术
    • 编译者:王靖娴
    • 发布时间:2024-08-11
    • 【内容概述】该研究提出了一种新型的全正向模式(Fully Forward Mode, FFM)学习方法,用于在物理系统中直接训练光学神经网络(ONNs),从而显著提高了机器学习模型的速度和能效。FFM学习利用空间对称性和洛伦兹互易性,消除了传统训练中梯度下降算法对反向传播的需求,允许在原始物理系统上直接设计和优化光学参数。通过实验,作者展示了FFM学习在自由空间和集成光子学系统中实现深层ONNs、高分辨率散射成像、动态非直视成像和非厄米特系统中异常点搜索的能力。FFM学习不仅实现了与理想模型相当的准确性,而且其训练过程的能效高达每秒每瓦特数以指数操作(exaOPS/W),为深度神经网络、超敏感感知和拓扑光子学等领域的应用提供了新的途径。此外,FFM学习还证明了无需精确的物理模型即可实现高效自设计和自学习,为后摩尔时代的大规模、高效率物理人工智能开辟了新的可能性。(文献原文见附件)