人工智能(AI)正在临床诊断、自动驾驶、语音翻译等各个领域掀起一场革命。然而，现代社会数据量的快速增长对人工智能中使用的电子计算硬件提出了巨大的挑战，无论是在计算速度还是功耗方面，这些问题已经成为人工智能的一个主要瓶颈。随着人工智能的兴起，传统的电子计算方法逐渐达到其性能极限，并受限于待处理数据的快速增长。在各种人工智能中，人工神经网络因其优异的性能被广泛应用于人工智能任务。这些网络使用多层互连的人工神经网络来执行复杂的数学运算，所使用大部分计算资源的基本运算叫做矩阵——向量乘法。研究人员已经做出了各种努力来设计和实现特定的电子计算系统，以加速人工神经网络中的处理过程。特别是，通过使用被称为专用集成电路、大脑启发计算和存储器内计算的定制芯片，已经取得了相当大的成功，借此利用称为忆阻器的存储器设备阵列来执行原位处理。电子是电子计算中信息的载体，但光子长期以来被认为是一种替代选择。这主要是因为：1）速度更快：光的光谱覆盖了很宽的波长范围，许多不同波长的光子可以同时被多路复用(并行传输)和调制，而光信号不会相互干扰，这种以光速传播信息的方式实现了最小的时间延迟。2）功耗更低：无源传输(不需要输入功率)有助于实现超低功耗，而相位调制(光波的量子力学相位会发生变化)可以轻松调制并检测频率高于40千兆赫的光。在过去的几十年里，光纤通信取得了巨大的成功。然而，使用光子进行计算仍然具有挑战性，尤其是在规模和性能水平上与最先进的电子处理器相当。这一困难源于缺乏合适的并行计算机制、允许人工神经元的高速非线性(复杂)响应的材料以及用于集成到计算硬件中的可扩展光子设备。幸运的是，过去几年来，光学频率梳的发展为集成光子处理器带来了新的机遇。光学频率梳是一组光源，其发射光谱由数千或数百万条频率均匀且间隔紧密的清晰谱线组成。这些器件在光谱学、光学时钟计量和电信等领域取得了巨大成功，并获得了2005年诺贝尔物理学奖。光学频率梳可以集成到计算机芯片中，并用作光学计算的节能能源。该系统非常适合通过波长复用进行数据并行化。人工智能的爆炸性增长，对快速提高计算能力提出了更高的要求。近日，两种光子处理器可以满足这些功率要求，并彻底改变人工智能硬件。2020年1月8日，最新一期Nature杂志一天之内连续发表3篇文章，对此进行报道，包括2篇研究论文和1篇述评文章。澳大利亚斯威本科技大学David J. Moss团队和德国明斯特大学W. H. P . Pernice、英国牛津大学H. Bhaskaran、瑞士洛桑联邦理工学院T. J. Kippenberg、 IBM欧洲研究中心A. Sebastian团队分别以“11 TOPS photonic convolutional accelerator for optical neural networks”和“Parallel convolutional processing using an integrated photonic tensor core”报道了光子处理器，研究通过利用光的独特属性来加速人工智能处理，这一突破有利于激发光学计算的复兴。清华大学Huaqiang Wu和Qionghai Dai为该重要进展撰写了评论文章。Xu等人利用这种装置制造了一种多功能的集成光子处理器，执行一种矩阵矢量乘法，称为图像处理应用卷积。作者采用了一种巧妙的方法来进行卷积，首先利用色散——即透射光的速度取决于其波长——为波长多路复用的光信号产生不同的时间延迟。然后，他们沿着与光波长相关的维度组合这些信号。通过充分利用光子波长的宽范围，Xu等人实现了不同卷积运算的内在并行计算。1）使用单个处理内核时，光学计算速度超过每秒10万亿次运算，并且仅受数据吞吐量的限制。2）作者确定了他们的光子卷积处理器在实际应用中的切入点，建议该处理器可用于光电混合框架，如光纤通信过程中的原位计算。Feldmann等人则独立地制作了一个集成光子处理器，该处理器可以对跨越二维空间的光信号进行卷积。该设备在基于相变材料(一种可以在非晶相和晶相之间切换的材料)的“内存”计算架构中使用光学频率梳。作者通过波长复用将输入数据完全并行化，并使用相变材料的集成单元阵列进行模拟矩阵矢量乘法。1）这种高度并行化的框架可以在一个步骤中高速处理整个图像。2）从理论上来说，在不久的将来该系统可以使用商业制造手段和辅助原位机器学习来大规模扩展。因为卷积过程涉及无源传输，所以理论上光子处理核心的计算可以以光速和低功耗来执行。这种能力对于高能耗应用非常有价值，例如云计算。
图2 使用基于光子芯片的微梳和相变材料的光子存储器计算。鉴于传统电子计算方法面临的挑战，集成光子学作为未来计算架构实现前所未有的性能，为整个领域带来了新的希望。然而，建立一个实用的光学计算机将需要广泛的跨学科努力和材料科学、光子学、电子学等研究人员之间的合作。尽管已报道的光子处理器具有高单位面积计算能力和潜在的可扩展性，但问题依然严峻：1）全光学计算规模(光学人工神经元的数量)仍然很小。2）能量效率受到固有吸收光的计算元件的限制，并且因为电信号和光信号经常需要相互转换。开发先进的非线性集成光子计算架构，而不是一维或二维线性卷积，是一个可能的解决方案。通过将电子电路和数千或数百万个光子处理器集成到一个合适的架构中，一个同时利用光子和电子处理器的混合光电框架，可以在不久的将来彻底改变人工智能硬件，在通信、数据中心运营和云计算等领域大有可为！通讯作者：W. H. P . Pernice、H. Bhaskaran、T. J. Kippenberg和A. Sebastian通讯单位：德国明斯特大学、英国牛津大学、瑞士洛桑联邦理工学院、 IBM欧洲研究中心
通讯作者：Huaqiang Wu、Qionghai Dai[1] Xingyuan Xu, et al. 11 TOPS photonic convolutional accelerator for optical neural networks, Nature, 2021, 589: 44-51.DOI: 10.1038/s41586-020-03063-0https://www.nature.com/articles/s41586-020-03063-0[2] J. Feldmann, et al. Parallel convolutional processing using an integrated photonic tensor core, Nature, 2021, 589: 52-58.DOI: 10.1038/s41586-020-03070-1https://www.nature.com/articles/s41586-020-03070-1[3] Huaqiang Wu, et al. Artificial intelligence accelerated by light, Nature, 2021, 589: 25-26.DOI: 10.1038/d41586-020-03572-yhhttps://www.nature.com/articles/d41586-020-03572-y
