基于片上衍射光学的光子机器学习

      伴随着半导体技术和新型计算架构的重大进步，人工神经网络（ANN）相关的机器学习理论正在许多领域得到广泛应用，包括计算机视觉、自然语言处理、情绪检测、语音识别、医学图像分析和决策等。然而，为了及时解决复杂的任务，ANN需要大量的资源，包括计算速度和能耗。近几十年来，光学神经网络（ONN）因其低功耗和超高计算带宽的优势而引起了研究人员的极大兴趣，这是电子器件无法比拟的。目前，人们已经提出了ONN的几种实现方式，包括基于集成马赫-曾德尔干涉仪（MZI）网格的相干方法、使用微环调制器的波分复用（WDM）处理以及由相变材料（PCM）实现的可编程路由。然而，这些架构由于其计算规模有限，受到其巨大的占地面积和能耗的严重限制。最近，衍射光学神经网络（DONN）因其通过利用具有光学固有并行性质的大规模计算来提高光学计算能力和降低功耗水平的能力而受到越来越多学者的关注。这种方法可以将大量神经元和连接映射到光学上，提供比传统ONN架构更大的计算能力。然而，主流的DONN体积庞大，因为它们建立在分立的衍射元件上，导致将它们集成到紧凑的系统中存在很大困难。此外，离散设备之间的复杂校准可能会引入额外的误差。

       近日，清华大学电子工程系陈宏伟教授团队提出了一种基于绝缘体上硅平台的片上DONN，以执行具有高集成度和低功耗特性的机器学习任务。为了验证所提出的DONN性能，研究人员制作了面积为0.15mm2和0.3mm2的1层隐藏层和3层隐藏层芯片上DONN，并通过实验验证了它们在鸢尾花数据集分类任务中的性能，准确率分别为86.7%和90%。此外，研究人员还设计了一个三层芯片DONN，用于对修改后的国家标准与技术研究所手写数字图像进行分类。作者表示在未来的工作中将考虑结合相变材料在芯片上实现非线性功能。此外，相对于其他ONN，所提出的片上DONN具有结构设计简单、全光无源操作和大规模神经元集成的优点。这种片上DONN架构是一种潜在的解决方案，可用于提高未来人工智能硬件的性能水平。相关研究工作发表在《Nature Communications》上。(丁雷)

        文章链接：Tingzhao Fu et al. Photonic machine learning with on-chip diffractive optics. Nature Communications(2023).https://doi.org/10.1038/s41467-022-35772-7.