光子神经网络：面向流式处理的原理、进展与前景

《Journal of Lightwave Technology》：Photonic Neural Networks: Principles, Progress, and Prospects Toward Streaming Processes

本文针对数字处理器面临能耗危机与摩尔定律失效的困境，聚焦光子神经网络（PNN）这一新兴AI硬件技术。研究人员系统阐述了PNN的基本原理与实现方案，创新性提出基于电光数据编码的非线性投影模型，成功在硅光芯片上实现了低延迟（410 ps）、高能效（160 TOPS/W）的流式处理架构。该研究为突破传统电子计算瓶颈提供了新范式，对发展下一代低功耗AI加速器具有重要指导意义。

　　

当ChatGPT等大模型以惊人的速度改变世界时，其背后隐藏的能源危机却鲜为人知。现代人工智能技术正面临着一个严峻的困境：数字处理器的能耗随着模型规模的扩大呈指数级增长，而摩尔定律的红利却逐渐消失。这就像一场没有终点的马拉松，计算需求每十个月翻一番，但硬件性能的提升速度却远远跟不上。更糟糕的是，大型模型正在向边缘环境部署，实时应用对低延迟和高能效提出了更高要求，传统电子加速器却受限于冯·诺依曼瓶颈，数据在内存和处理单元间的频繁移动导致巨大的能量消耗。

在这一背景下，光学计算这一沉寂了近四十年的领域重新焕发生机。光子神经网络（PNN）作为一种特殊形式的光学神经网络（ONN），通过在光子集成电路上直接实现神经计算，展现出超低延迟、高能效和内在并行性等独特优势。日本国立先进工业科学技术研究所（AIST）的Guangwei Cong和Shu Namiki团队在《Journal of Lightwave Technology》上发表的这篇教程性论文，系统梳理了PNN的发展脉络，并提出了面向流式处理的新型架构方案。

研究人员创新性地避开了传统非线性激活函数的实现难题，转而利用电光数据编码与级联线性操作的组合来构建新型模型。他们设计了非线性投影PNN、双线性投影PNN、垂直分层电光PNN和电光Hopfield网络等四种创新架构，在硅光芯片上实现了高达97.9%的MNIST分类准确率，功耗仅18W。特别值得关注的是，他们提出的垂直分层结构通过哈达达玛积算子实现层间连接，相比传统水平串联结构具有更好的损耗鲁棒性，当层数增加时输出功率衰减更慢。

关键技术方法包括：基于马赫-曾德尔干涉仪（MZI）网格的相干矩阵向量乘法（MVM）实现、波长/时分复用技术扩展计算维度、细菌觅食优化算法进行片上训练、电光非线性传输函数实现数据编码非线性化，以及3D光电共集成技术降低系统延迟。这些方法的协同创新使得PNN能够在不依赖全光非线性材料的情况下实现有效的非线性计算。

基本原理与最新进展

PNN的核心运算包含线性变换和非线性激活两大模块。线性操作主要通过MVM实现，可利用MZI网格或微环谐振器（MRR）阵列分别实现相干与非相干计算。如图7所示，MZI网格通过精心设计的2×2 MZI排列构成三角或矩形拓扑，能够实现任意酉矩阵变换；而微环阵列则通过调节不同波长通道的传输强度实现权重乘法。

i j and w_{i j}denote the input optical power and corresponding weight for the ij-th element in the matrix.'>

非线性操作的实现则面临更大挑战。全光方案依赖克尔效应或半导体光学放大器（SOA）的增益饱和效应，虽延迟可达皮秒级但功耗较高；光电光（OEO）方案通过光电转换后处理再调制回光域，虽引入纳秒级延迟但更实用。研究表明，采用自参考检测架构（图9b）可显著降低系统开销，其中部分光信号被分束检测，其余光信号继续在光路中传输并被处理后的信号调制。

挑战与解决方案

PNN的实际应用面临系统开销、功耗、延迟、非线性和可扩展性五大挑战。数据输入输出接口的数字模拟转换器（DAC）/模数转换器（ADC）带来显著能耗，控制相位调制器的DAC功耗随比特分辨率呈指数增长。研究人员提出采用光子DAC将延迟从数十纳秒降至50皮秒以下，并在输出端用胜者全得（WTA）比较器电路替代ADC，功耗可降低2-3个数量级。

可扩展性方面，实现1000×1000矩阵需要5cm×5cm芯片面积，且插入损耗可能高达50dB。薄膜铌酸锂（LNOI）等新兴材料与3D集成技术有望突破这一限制。训练数百万参数也是一大难题，通过低秩分解、克罗内克积分解等参数约减方法，可将参数数量减少至原来的1/5而精度仅下降1.4%。

新型PNN模型创新

研究团队提出了四种创新模型架构。非线性投影PNN（图13）通过MZI的电光传输函数将数据映射到高维光学复振幅空间，在Iris数据集上实现97%分类准确率，功耗仅0.36W。实验证明该架构对±10%的分光器偏差具有良好容错性，两周内无需主动温控仍保持稳定。

双线性投影PNN通过哈达玛积实现输入向量不同部分间的交互，首次在光子芯片上实现门控线性单元（GLU）功能。垂直分层电光PNN（VPNN）则通过垂直级联的双线性模型克服光学损耗限制，在Cifar-10任务上达到75%准确率，参数数量最少。

电光Hopfield网络展现出类脑的联想记忆特性，仅用16个MZI神经元即可实现对含噪声字母图案的鲁棒识别，对噪声因子δ=0.4的测试样本仍保持99.8%准确率。这种小样本学习能力使其特别适合边缘AI应用。

h : response time of phase shifters. τ_d: response time of photodetectors. G: electrical amplifiers. F: electrical feedback vector.(b) Data input scheme for different spatial dimensions. φ_i: the summed optical phase. H_i: the i-th neuron.(c) An example of 8×8 pattern encoded into spatiotemporal vectors x(t). See Ref.[149] for other details.'>

研究结论与展望

该研究系统论证了PNN作为流式处理器的巨大潜力。通过创新性地利用电光非线性传输函数而非追求全光非线性，成功实现了与光子硬件特性高度契合的新型计算模型。控制分辨率实验表明，6-10比特分辨率即可满足大多数任务需求，为低功耗设计提供了依据。

未来AI系统将形成数字处理器、网络互连和模拟处理器三位一体的格局。PNN既可作为大型数字AI系统的辅助模块，也可作为独立的AI处理器部署于边缘环境。光电混合架构在短期内是最可行的解决方案，而全光流式处理器将是长期追求的目标。

这项研究的重要意义在于，它不仅是简单复制早期光学计算概念，而是通过硬件算法协同设计，重新确立了光子系统作为高能效、低延迟AI加速器的巨大潜力。随着光子集成电路和光电共集成技术的进步，光子流式处理器有望在从移动边缘到云端的广泛AI推理服务中发挥关键作用，为可持续发展的人工智能时代奠定硬件基础。