16 通道可扩展相干光子处理器：实现复杂矩阵向量乘法的重大突破

《SCIENCE ADVANCES》：Complex-valued matrix-vector multiplication using a scalable coherent photonic processor

为解决传统电子数字信号处理器受摩尔定律限制，处理速度和能源效率提升困难的问题，研究人员开展了基于硅光子的矩阵向量乘法处理器（MVMP）研究。他们成功制备 16 通道可编程 MVMP 芯片，实现复杂值矩阵向量乘法，计算速度达 1.28 tera-operations per second（TOPS），为高速大规模光子计算技术发展奠定基础。

　　在现代信号处理和人工智能领域，矩阵向量乘法是极为关键的运算。传统上，它依赖于电子数字信号处理器，但摩尔定律的放缓使得这类处理器在提升处理速度和能源效率方面遭遇瓶颈。随着数据量的爆炸式增长，尤其是在人工智能实际任务中，对大规模数据处理能力的需求日益迫切，现有处理器难以满足要求。与此同时，光子技术凭借其低功耗、高速等优势，在矩阵向量乘法运算领域展现出巨大潜力，成为研究的热点方向。

为了突破传统处理器的限制，推动高速大规模光子计算技术的发展，研究人员开展了相关研究。虽然此前已有众多基于非相干 / 相干硅光子集成电路的可编程 MVMP 被提出，但它们各自存在缺陷。非相干设计难以有效管理光信号的幅度和相位，而相干设计在控制复杂度和计算速度之间存在权衡，且二者在处理大规模数据时都面临着硅波导损耗大、编程复杂度高等挑战。

在此背景下，研究人员成功提出并展示了一款 16 通道可编程片上相干光子处理器。该研究成果发表在《SCIENCE ADVANCES》上，具有重要的意义。它为高速、大规模复杂值 MVMP 在众多领域的应用奠定了基础，推动了大规模硅光子矩阵向量乘法计算技术的显著进步。

在研究过程中，研究人员运用了多个关键技术方法。首先，采用基于马赫 - 曾德尔干涉仪（MZI）的矩形网格干涉仪，结合波导螺旋延迟线进行串并转换。其次，使用超低损耗加宽波导螺旋和低相位误差调谐元件技术来制备 MVMP 芯片。此外，通过自相干接收器和 90° 光学混合器及两个平衡光电二极管，实现对信号相位和幅度的准确恢复，以完成复杂值矩阵向量乘法计算。

下面介绍具体的研究结果：

• 设计与原理：所提出的硅基复杂值 MVMP 由三部分组成，包括可编程 MZI 网格干涉仪、线性增量延迟线阵列和基于 3 dB 定向耦合器的二叉树耦合器。通过编程调谐元件，该芯片能以 1/Δt 的调制速率实现多种矩阵向量乘法，如任意复值矩阵变换、并行图像处理和手写数字识别等功能。
• 芯片表征：在绝缘体上硅（SOI）平台上制备了 16 通道光子 MVMP 芯片，该芯片对整体损耗、热串扰和编程复杂度进行了优化。使用低损耗加宽的阿基米德波导螺旋和锥形欧拉曲线 S 弯构成硅光子波导，其传播损耗约为 0.3 dB/cm，MZI 的额外损耗约为 0.35 dB，消光比高于 25 dB，相位误差远低于传统 MZI，极大地降低了校准复杂度。
• 任意复值矩阵变换：MVMP 芯片可配置为多个独立子干涉仪，同时实现多种复值矩阵变换。实验中，该芯片被编程实现了 4×4 哈达玛变换、2×4 混合变换和 3×3 离散傅里叶变换（DFT），且实验结果与理论预期相符，验证了芯片在复值矩阵变换方面的有效性。
• 并行卷积处理：利用 MVMP 芯片进行高速并行卷积实验，用于图像处理。以 40 Gbaud 的数据速率处理图像，计算速度可达 1.28 TOPS。实验对灰度图像和彩色图像分别进行处理，结果表明该芯片能有效实现不同卷积操作，突出图像的边缘特征，但彩色图像处理结果存在轻微失真，主要是由于信噪比低。
• 手写数字识别：采用卷积神经网络（CNN）模型，利用 MVMP 芯片进行手写数字识别任务。在实验中，MVMP 芯片通过四个并行卷积核提取特征，最终实现了 97% 的识别准确率，证明了其在手写识别任务中卷积计算的成功。

研究结论和讨论部分指出，该 16 通道可编程复杂值 MVMP 芯片成功应用于多种矩阵向量乘法任务，通过集成 MZI 网格干涉仪和光延迟线，实现了基于光干涉的被动复乘和高速相干检测。与其他硅光子计算系统相比，该芯片在计算速度、通道数量和能源效率等方面具有显著优势。尽管随着通道数量增加可能会出现非线性效应，但可通过使用更厚的波导或其他材料（如氮化硅）来缓解。此外，该芯片还具有进一步扩展和集成的潜力，未来研究人员计划将其扩展为完整的多层神经网络，并集成更多功能，这将为光学深度学习算法的大规模实现提供更有力的支持，推动相关领域的进一步发展。