前沿进展 | 基于片上衍射光学的光子机器学习

“前沿进展”栏目，旨在介绍科研人员在光学领域发表的具有重要学术、应用价值的论文，促进研究成果的传播。部分论文将推荐参与“中国光学十大进展”评选。

01 导读

随着社会的飞速发展，各行业领域对数据的处理能力要求越来越高，尤其在处理复杂任务过程中对高计算容量、超高速以及低能耗等需求更加迫切，光子神经网络成为突破瓶颈的关键技术。
近日，清华大学陈宏伟教授团队在片上集成光子神经网络研究方面取得突破性进展，基于绝缘体上硅（SOI）平台设计并制造了集成衍射光子神经网络（DONN）芯片，同时在IRIS、MNIST等数据集上对芯片的性能进行了实验验证。本次研究的DONN芯片由该团队完全自主设计，且芯片的制造，包括加工和封装等流程均在国内完成。另外，针对加工、封装及实验测试过程中存在的不可避免的系统误差，该团队提出了一种有效的系统误差补偿方案，从而使得DONN芯片的鲁棒性得到极大提升。相关成果以“Photonic machine learning with on-chip diffractive optics”为题、于2023年1月5日发表在Nature Communications上。

图1 集成衍射光子计算芯片

2023 | 前沿进展

02 研究背景

‍

机器学习技术已广泛应用于高性能信息处理领域，与此同时，在解决各类复杂任务时对于计算容量、计算速度以及能耗的要求也越来越高。然而，现有硬件的计算速度受到传统冯·诺依曼体系结构的严重限制，随着计算过程所需时间的增长，计算效率将变得低下，能耗也会更大。因此，需要找到一种新的计算范式来解决计算容量、速度以及能耗等问题。

近年来，光子方法在执行涉及复杂计算的深度学习过程方面展示出了非凡潜力，国内外多家研究机构陆续提出了集成光子神经网络的新架构，如基于马赫增德尔干涉仪（MZI），微环谐振腔（MRR），以及波分系统设计的光子神经网络等。然而，现阶段集成光子神经网络普遍存在大规模拓展受限的问题，严重限制了计算容量的进一步提高。

该研究团队提出了一种基于亚波长结构的片上衍射光子神经网络，可以极大程度地提高集成光子神经网络的计算容量，不仅能够以光速、极低功耗的无源计算方式完成机器学习任务，同时可以基于标准互补金属氧化物半导体（CMOS）工艺进行低成本、大规模生产。这对于推动集成光子智能芯片在各个领域的实际应用来说具有重要意义。

03 研究创新点

该团队对硅基平板波导中电磁传播模型的解析表达过程进行了理论探索，并基于惠更斯-菲涅尔原理、在一定条件下获得了片上空域电磁传播近似解析模型，拥有该解析模型后就可以通过计算机在线训练预先获得DONN芯片的结构参数。基于此，该团队针对关键参数设计了权值映射模型，从而能够在硅基亚波长物理结构上准确地实现预先训练时获得的神经元权值，如图2所示。

图2 DONN芯片结构示意图

随后，该团队对设计的DONN芯片进行了一系列的仿真和实验验证。图3是针对IRIS分类任务设计的DONN芯片，其中包括了芯片制造的显微镜图，亚波长结构图，芯片封装后实物图，以及芯片测试及系统误差补偿过程图。通过系统误差补偿，使得芯片的鲁棒性大大提高。对于IRIS分类任务，DONN-I1（具有1个隐藏层）和DONN-I3（具有3个隐藏层）在测试集上实现的预测结果分别为86.7%和90%，其混淆矩阵如图4所示。

图3 (a)和(c)分别是具有1个隐藏层（DONN-I1）和3个隐藏层（DONN-I3）的DONN芯片；(b)亚波长衍射结构显微镜图；(d) 芯片测试及系统误差补偿过程；(e) 芯片封装实物图；(f)和(g)分别是DONN芯片补偿前和补偿后的测试结果展示

图4 片上DONN-I1和DONN-I3的实验测试结果。(a)系统误差补偿前片上DONN-I1实验预测结果的混淆矩阵。(b)系统误差补偿后片上DONN-I1实验预测结果的混淆矩阵。(c)和(d)分别是补偿前和补偿后片上DONN-I3实验预测结果的混淆矩

为了进一步验证DONN芯片的性能，该团队针对更复杂分类任务，即基于修改后的国家标准与技术研究所（MNIST）分类数据集进行了芯片设计，并在仿真和实验验证上分别取得了96.3%和86%的预测结果。相关研究工作如图5所示。

图5 (a)、 (b)和(c)分别是DONN芯片封装过程图展示；(d)DONN芯片结构的显微镜图；(e)亚波长衍射结构单元的SEM图；(f)片上DONN实验测试结果的混淆矩阵；(g),(h)和(i)分别是手写数字3、5和9的预测结果展示

该DONN芯片具有3个隐藏层，每个隐藏上有70个神经元，每个神经元的权值由具有相同尺寸的填充有二氧化硅材料的微槽组构成，每个微槽组的周期为1.5 µm。其中，每个微槽的宽度为0.5 µm，长度约为0.2~2.3 µm。另外，输入层、隐藏层及输出层各相邻层之间的间距均为250 µm。因此，该DONN芯片相比于其它片上光子神经网络芯片而言具有更高的集成度，即每平方毫米可集成约2000个神经元。

04 总结与展望

该研究团队系统性地完成了集成衍射光子神经网络芯片的理论探索，仿真验证，结构设计，版图绘制，芯片加工、封装，以及系统误差补偿等全过程验证。该成果将集成光子神经网络芯片的实用性大大提高，为集成光计算、光子智能等领域的发展奠定重要基础。

相对于空间衍射光子神经网络而言，集成衍射光子神经网络（DONN）不仅大大提高了计算单元的集成度，同时也减少了由于庞大的体光学元件和系统校准而产生的误差。对于其他集成光子神经网络而言，集成DONN摆脱了波导数目的限制，更容易实现计算单元的片上大规模拓展，从而解决了集成光子神经网络的高计算容量问题。

该工作中实现的DONN芯片的计算吞吐量可达1.38×10⁴ TOPS(TOPS: Trillions of operations per second)，芯片的算力密度10¹⁶ FLOPS/mm²(FLOPS: floating-point operations per second)，即每平方毫米算力可以达到10000T FLOPS，同时具有极低计算功耗，约为10^-17 J/Flop（Flop：floating-point operation）。

陈宏伟教授表示，通过对集成衍射光子神经网络系统的整体设计和布局，将来有希望在同一片上实现多个DONN计算单元的串/并联集成，从而使得片上DONN系统能够具有更强的处理能力（图6）。

图6 大规模DONN系统集成应用概念图。不同信号的特征被分别提取并编码到光的相位、振幅或偏振上，包含光学信息的待处理信号被输入到片上DONN系统中进行后续计算

清华大学电子工程系陈宏伟教授为该论文的通讯作者，在读博士生符庭钊为该论文的第一作者，清华大学是唯一通讯单位。

论文链接：

https://www.nature.com/articles/s41467-022-35772-7

推荐阅读：

编辑 | 方紫璇

END

由于微信公众号试行乱序推送，您可能没办法准时收到“爱光学”的文章。为了让您第一时间看到“爱光学”的新鲜推送， 请您：1. 将“爱光学”点亮星标（具体操作见文末）
2. 多给我们点“在看”

欢迎爆料

新闻线索、各类投稿、观点探讨、故事趣事

留言/邮件，我来让你/事红

爆料请联系：[e-mail]

点在看联系更紧密