Light | 面向复杂神经网络的光学智能计算芯片

撰稿 | 徐绍夫

说明 | 本文来自论文作者（课题组）投稿

随着智能应用的普及，以神经网络为代表的智能算法复杂度呈现爆发性增长，庞大的算力需求给现有的数字处理器带来了极大的压力，亟待开辟新型计算模式来缓解摩尔定律增速与算力需求增速之间的矛盾关系。

近年来，光学智能计算技术受到国内外学术界广泛关注。光学系统的计算时钟频率可以超过数十GHz（10⁹ Hz），同时具备静态无功耗的特性，被认为是实现下一代高速低功耗智能计算加速器的潜在途径。学术界报道的多种光学智能计算方案虽成功验证了高速低功耗计算的能力，但所能实现的任务均是简单的分类神经网络，与实际应用在复杂度上存在较大差距。

图 1：光学相干点积核芯片及其封装模块

鉴于此，来自上海交通大学的 邹卫文 教授团队及其合作者在光学智能计算领域取得突破性进展，成功研制了一款光学相干点积核计算芯片，具有运行复杂神经网络的能力，率先在光学智能计算芯片上实现了高精度的医学图像重构任务。

该研究成果以"Optical coherent dot-product chip for sophisticated deep learning regression（面向复杂深度学习回归任务的光学相干点积核芯片）"为题在线发表在 Light: Science & Applications。

光的幅相调制与复用叠加等效于神经网络中的乘加线性计算，利用这一特性便可以在光学芯片上构建神经网络光路，在光传播的过程中完成神经网络计算。

通过分析，光学智能计算芯片运行复杂神经网络的前提条件是实现完整实数域内的高精度计算。为此，研究团队设计并研制了一款光学相干点积核计算芯片。该芯片对多路相干光进行幅度调制与相干叠加，成功地实现了完整实数域内的乘加计算。借助于新型片上反馈控制方法，优化了光学计算的数值精度。

图 2 中展示了优化后的推理计算精度，归一化标准差约为 1%。与此前的工作相比，该芯片在数域完整度与数值精度上的突破，使其具备了执行复杂智能任务的能力。

图 2： 相干光学点积核计算数值精度结果

研究团队利用医学图像重构任务作为验证，在芯片上成功地运行了 AUTOMAP（用于通用图像重构）神经网络模型，图像重构的误差（见图 3 中第 3、5 列）低至 32 位数字计算机相近水平。

图3 光学相干点积核芯片重构结果与计算机结果的对比

该工作不仅推动光学神经网络研究领域攻克实际应用难题，更为下一代智能计算技术提供了新思路。在未来的规模化集成基础上，可以实现高速低功耗的光学神经网络处理器，缓解算力需求增加与硬件性能发展之间的矛盾。

| 论文信息 |

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

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

监制 | 赵阳

编辑 | 赵唯

阅读原文