随着深度神经网络彻底改变了机器学习，能耗和吞吐量(throughput指单位时间内完成的指令数)正在成为互补金属氧化物半导体complementary metal–oxide–semiconductor (CMOS) 电子产品的基本限制。这激发了人工智能优化新硬件架构的研究，例如电子脉动阵列、忆阻器交叉阵列和光学加速器。光学系统以极高速率和效率，执行线性矩阵运算，激发了低延迟矩阵加速器和光电图像分类器的最新实验演示。然而，证明深度神经网络的相干、超低延迟光学处理，仍然是主要挑战之一。
近日，美国
麻省理工学院（Massachusetts Institute of Technology，MIT）Saumil
Bandyopadhyay，Dirk Englund等，在Nature Photonics上发文，在可扩展光子集成电路中，实现了这样的光学系统，将用于矩阵代数和非线性激活函数的多个相干光学处理器单元，单片集成到单个芯片中。
实验表明，这种完全集成的相干光学神经网络架构，适用于具有六个神经元和三层的深度神经网络，可光学计算线性和非线性函数，延迟为410ps，从而开启了超快、直接处理光学信号的新应用。在这种系统上，实现了无反向传播的原位训练，在六类元音分类任务上，达到了92.5%准确率，这相当于在数字计算机上获得的准确率。
这项工作，为原位训练的理论建议，提供了实验证据，使训练数据的吞吐量提高了几个数量级。完全集成的相干光学神经网络，实现了以纳秒延迟和每操作毫微微焦耳能量效率进行推理。
图1: 完全集成相干光学神经网络fully integrated coherent optical neural network ，FICONN架构
图2: 光子集成电路photonic integrated circuit，PIC
图3: 非线性激活函数单元nonlinear optical function unit，NOFU
图4: 无反向传播的原位训练
