撰稿 | 徐紹夫

說明 | 本文來自論文作者（課題組）投稿

隨著智能應用的普及，以神經網絡為代表的智能算法復雜度呈現爆發性增長，龐大的算力需求給現有的數字處理器帶來了極大的壓力，亟待開辟新型計算模式來緩解摩爾定律增速與算力需求增速之間的矛盾關系。

近年來，光學智能計算技術受到國內外學術界廣泛關注。光學系統的計算時鐘頻率可以超過數十GHz（10? Hz），同時具備靜態無功耗的特性，被認為是實現下一代高速低功耗智能計算加速器的潛在途徑。學術界報道的多種光學智能計算方案雖成功驗證了高速低功耗計算的能力，但所能實現的任務均是簡單的分類神經網絡，與實際應用在復雜度上存在較大差距。

圖 1：光學相干點積核芯片及其封裝模塊

鑒于此，來自上海交通大學的 鄒衛文 教授團隊及其合作者在光學智能計算領域取得突破性進展，成功研制了一款光學相干點積核計算芯片，具有運行復雜神經網絡的能力，率先在光學智能計算芯片上實現了高精度的醫學圖像重構任務。

該研究成果以"Optical coherent dot-product chip for sophisticated deep learning regression（面向復雜深度學習回歸任務的光學相干點積核芯片）"為題在線發表在 Light: Science & Applications。

光的幅相調制與復用疊加等效于神經網絡中的乘加線性計算，利用這一特性便可以在光學芯片上構建神經網絡光路，在光傳播的過程中完成神經網絡計算。

通過分析，光學智能計算芯片運行復雜神經網絡的前提條件是實現完整實數域內的高精度計算。為此，研究團隊設計并研制了一款光學相干點積核計算芯片。該芯片對多路相干光進行幅度調制與相干疊加，成功地實現了完整實數域內的乘加計算。借助于新型片上反饋控制方法，優化了光學計算的數值精度。

圖 2 中展示了優化后的推理計算精度，歸一化標準差約為 1%。與此前的工作相比，該芯片在數域完整度與數值精度上的突破，使其具備了執行復雜智能任務的能力。

圖 2： 相干光學點積核計算數值精度結果

研究團隊利用醫學圖像重構任務作為驗證，在芯片上成功地運行了 AUTOMAP（用于通用圖像重構）神經網絡模型，圖像重構的誤差（見圖 3 中第 3、5 列）低至 32 位數字計算機相近水平。

圖3 光學相干點積核芯片重構結果與計算機結果的對比

該工作不僅推動光學神經網絡研究領域攻克實際應用難題，更為下一代智能計算技術提供了新思路。在未來的規模化集成基礎上，可以實現高速低功耗的光學神經網絡處理器，緩解算力需求增加與硬件性能發展之間的矛盾。

| 論文信息 |

Xu et al. Light: Science & Applications (2021) 10:221

https://doi.org/10.1038/s41377-021-00666-8

監制 | 趙陽

編輯 | 趙唯

閱讀原文