登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《前沿 | 可编程超表面-光子神经网络PNN》

  • 来源专题：光电情报网信息监测服务平台
  • 编译者： 胡思思
  • 发布时间：2025-05-16

  • 光子神经网络Photonic neural networks (PNNs)具有光子系统固有的优点（例如高并行性和低功耗），有望在能量效率、延迟和高通量方面，挑战传统的数字神经网络。然而，生产可扩展的光子人工智能artificial intelligence (AI)解决方案，仍然具有挑战性。为了使光子AI模型可行，需要解决可扩展性问题。只有当光学计算的优势超过输入-输出开销的成本时，基于光子神经网络PNN的大型光学AI模型，才具有商业可行性。

    近日，科罗拉多矿业大学

    （Colorado School of Mines）Loubnan Abou-Hamdan,

    Emil Marinov，Patrice Genevet等，在Nature Reviews Physics上发表评述文章，讨论了场可编程超表面field-programmable

    metasurface技术，如休成为实现可扩展光子AI加速器的关键硬件要素，以及其与当前的数字电子技术竞争。

    可编程性或可重构性是光子神经网络PNN硬件的关键组件，支持原位训练和适应所需微调或迁移学习的非固定用例。协同集成电子、3D堆叠和大规模制造超表面技术，将显著提高光子神经网络PNN的可扩展性和功能。可编程超表面，可以解决光子神经网络PNN当前面临的一些挑战，并支持下一代光子AI技术。

    图1:用于光学计算的可编程超表面技术

    图2:自由空间光子神经网络中，训练方案示意图


  • 原文来源：https://www.nature.com/articles/s42254-025-00831-7
49浏览量
原文链接
相关报告

  • 《前沿 | 综述光学神经网络的进展与挑战》
    • 来源专题：光电情报网信息监测服务平台
    • 编译者：胡思思
    • 发布时间：2024-10-12
    • 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。 文章宏观阐述了ONNs的发展历史，直观展示了ONNs的发展历程（图1），并提出非集成ONNs和集成ONNs两种分类形式，进一步基于自由空间和片上集成中的不同光学元器件（图2）将ONNs细分为七种类型，并对基于不同光学元器件构建的ONNs的设计原理进行了介绍。 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。文章对基于每一类不同光学元器件构建的ONNs的典型研究工作进行了详细介绍和评述。另外，文章中对不同类型ONNs的集成度、可重构性、非线性、可拓展性、稳定性、通用性等性能指标进行了对比分析，同时对计算容量和计算密度等定义进行了阐述和说明。 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。 现阶段ONNs发展时间尚短，仍然存在关键技术难题有待解决，因此要实现在各个领域的实际应用还需要一定的时间。尽管如此，ONNs已经在部分专用领域的应用场景中展开了尝试。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；Lightmatter公司发布了Envise和Passge产品；Lightelligence公司发布了光子计算引擎（PACE）等。未来，通过对全光ONNs系统或混合ONNs系统架构的不断优化，有望推动全光ONNs或光电混合ONNs系统在更为广泛的实际场景中得到应用和发展。
    493浏览量
    原文链接

  • 《前沿 | 首款自校准可编程光子芯片面世》
    • 来源专题：光电情报网信息监测服务平台
    • 编译者：husisi
    • 发布时间：2022-07-13
    • 澳大利亚莫纳什大学(Monash university)和墨尔本皇家理工大学(RMIT university)的研究团队开发了一种先进光子集成电路(PIC)，能够在数据“高速公路”之间架起桥梁。该团队表示，这将彻底改变当前光学芯片的连接方式，并用硅片薄片取代笨重的3D光学器件。日前，该研究发表在《自然•光子学》(Nature Photonics)杂志上。 该研究能够加速人工智能全球化的发展，并并应用于多个现实领域，包括： ? 更安全的无人驾驶汽车：能够及时解读周围环境。 ? 使人工智能能够更快速地诊断医疗状况。 ? 令 Google Homes、Alexa 和 Siri 等应用程序的自然语言处理速度更快。 ? 更小的网络交换机：用于重新配置承载互联网的光网络，以便更快地在需要的地方获取数据。 据该项目的首席研究员、莫纳什大学电气和计算机系统工程系的Arthur Lowery 教授表示，该团队的最新成果补充了莫纳什大学 Bill Corcoran 博士之前的研究发现。据介绍，Bill Corcoran博士在 2020 年与 RMIT 合作，共同开发了一种新型光学微梳芯片，可以将流量压缩三倍通过单根光纤覆盖整个光纤网络（NBN），被认为是有史以来上实现的全球最快互联网传输速率，而且芯片仅有指甲大小。 自校准光子芯片 光学微梳芯片在数据数据高速公路上建造了多条“车道”，目前自校准芯片已经连接所有车道的上下行“匝道”和“桥梁”， 并能够实现更大容量的数据移动。“我们展示了一种自校准可编程光子滤波器芯片，具有信号处理核心和用于自校准的集成参考路径，”Lowery 教授提到。 自校准技术意义重大，因为它使得可调谐光子集成电路在现实世界中能够发挥真正的应用价值，包括根据颜色将信号切换到目的地的光通信系统、高速相似性计算（相关器）、用于化学或生物分析甚至是天文学的科学仪器。 研究团队介绍称：“电子技术使用数字技术在无线电滤波器的稳定性也得以改进，因此许多手机能够共享相同的频谱。同样，该光学芯片具有类似的架构，但可以在太赫兹带宽的信号上进行工作。” 自动驾驶汽车、遥控采矿和医疗设备等依赖互联网的新技术在未来将需要更快、更高的带宽。 而带宽的增加不仅仅是为了改进互联网传输所使用的光纤，还涉及提供多种颜色的紧凑型交换机，向多个方向发送数据，这样数据就可以同时传输到多个通道。 来自墨尔本 InPAC 的 Arnan Mitchell 教授认为，上述研究是一项重大突破，该研究团队的光子技术目前已经足够先进，可以将真正复杂的系统集成在单个芯片上。其中一项技术突破是芯片能够使所有组件作为一个整体工作的片上参考系统，它将使我们能够通过快速重新配置承载互联网的光网络来解决其瓶颈问题，以便在最需要数据的地方获取数据。“ 光子电路能够操纵和路由信息的光通道，但它们也可以提供一些计算能力。比如模式搜索，它是许多应用的基础，涉及医疗诊断、自动驾驶汽车、互联网安全、威胁识别和搜索算法等方方面面。 该研究的一个关键挑战是将所有光学功能集成到可以插入现有基础设施的设备上。“我们的解决方案是在制造后校准芯片，通过使用芯片上的参考，而不是使用外部设备对它们进行有效调整”，ARC 的研究员 Laureate Fellow教授说道。 “我们利用因果关系——结果跟随原因，这意味着通过芯片路径的光学延迟可以从强度与波长的关系中唯一地推导出来，这比精确的时间延迟更容易测量。团队为芯片添加了一个参考路径并对其进行了校准。 这为我们提供了‘拨号’所需的所有设置以及所需的开关功能或光谱响应。” 该方法是使光子芯片实用化过程中的一个关键步骤。研究人员无需像调整旧收音机那样寻找设置，而是可以一次性调整芯片，从而实现数据流从一个目的地快速可靠地切换到另一个目的地。 光子芯片的可靠性调谐开辟了许多其他应用，比如光学相关器，它可以迅速找到数据流中的数据模式，这也是该团队的一个研究方向。 “随着我们将越来越多的台式设备集成到指甲大小的芯片上，使它们一起工作以达到它们更大时的速度和功能变得越来越困难。如果想要克服该挑战，一个能够自我校准的”智能“芯片显得尤为重要，这样所有组件都可以以他们所需的速度一致地运行，”澳大利亚阿德莱德大学的 Andy Boes 博士说。
    313浏览量
    原文链接