编辑推荐：
传统光子集成电路（PICs）在计算方面存在局限，依赖电子处理削弱了光子学优势。研究人员提出 Flex - MNN（灵活多模神经网络），用新型光芯片实现 100% 光计算，在鸢尾花数据集上分类准确率达 91%，有望推动 PICs 实际应用。
在科技飞速发展的今天，计算能力的提升成为了众多领域的关键需求。光学计算凭借其独特优势，如光的固有并行性、低功耗和高速能力，逐渐崭露头角，成为替代传统计算方式的有力候选者。在光学计算领域，可重构和可编程的光子集成电路（PICs）备受关注，它们尺寸紧凑、效率高且功能多样，通常由马赫 - 曾德尔干涉仪（MZIs）或微环谐振器（MRRs）等基本光子元件级联构成计算网络。
然而，传统 PICs 存在诸多问题。MZIs 和 MRR 网络主要在线性区域运行，只能进行线性矩阵运算，而在先进神经网络中，非线性激活函数（NAF）至关重要，它模拟了大脑神经系统中突触的功能。在光子神经网络中实现 NAF 并不容易，一种方法是通过光 - 电 - 光（O - E - O）转换，这需要在光子网络中集成额外的光电二极管和调制器，增加了系统复杂性，还可能引入严重的串扰问题；另一种方法是完全在光域内操作，但实现光学非线性通常需要高光学功率，给系统功率管理带来挑战，而且非线性激活响应往往固定，无法适应不同应用。
此外，先进光子计算中电子层的集成不可或缺。单模光计算网络尺寸有限，在光子芯片前常需全连接电子层将数据压缩成可接受的输入向量，训练算法不仅要配置光子芯片上的调谐单元，还要调整电子层的权重。但对电子计算的依赖使光子层的存在意义受到质疑，许多技术中电子计算占主导，光子部分作用不明显。
为了解决这些问题，西湖大学的研究人员开展了关于 Flex - MNN（灵活多模神经网络）的研究。研究旨在实现完全的光计算，减少对电子计算的依赖，使光学芯片能独立处理计算任务。
研究人员得出的结论是，他们成功设计并制造了 Flex - MNN 芯片，该芯片通过将电极分为数据加载和网络整形两组，利用遗传算法（GA）训练，在鸢尾花数据集上实现了 91% 的分类准确率，在训练阶段光计算占总计算量的 53.1%，应用阶段光计算占比达到 100%。这一成果意义重大，它使 PICs 更接近实际计算应用，可能推动通信、传感和天文学等领域先进光子器件的发明。该研究成果发表在《iScience》杂志上。
研究人员开展研究主要用到以下关键技术方法：首先是芯片制备技术，采用嵌入聚合物的氮化硅（SiNx）条带制作 Flex - MNN 芯片，通过标准的光刻和等离子体增强化学气相沉积等工艺完成；其次是遗传算法（GA），用于训练 Flex - MNN 的形状电极，避免在光域获取梯度信息的复杂过程；最后是成像和数据处理技术，利用成像系统和定制的微控制器单元（MCU）采集和处理数据，整个系统由 MATLAB 脚本同步控制。
研究结果
- Flex - MNN 芯片的设计与制造：研究人员选用嵌入聚合物的氮化硅（SiNx）条带制作 Flex - MNN 芯片，这种波导尺寸紧凑、制造步骤简单，同时具有高的热光系数和低的热导率。芯片制作完成后，将其与印刷电路板（PCB）进行 wire - bonding，并固定输入光纤。
- 使用遗传算法训练 Flex - MNN：在传统神经网络中，权重通过反向传播更新，但在光学领域实现反向传播较为困难。因此，研究人员采用遗传算法（GA）训练 Flex - MNN 的形状电极。实验设置了 10 个个体，对分类准确率最低的两个个体进行变异操作，最高的两个个体直接进入下一次迭代，其余六个个体进行交叉操作。经过 20 次迭代，平均准确率达到 90.1%，最高训练准确率达到 91.1%。
- 训练后的 Flex - MNN 芯片实现鸢尾花数据集分类器：研究人员使用测试数据验证 Flex - MNN 的训练结果，在 FPWE 系统上经过 20 次训练迭代后，测试准确率达到 91%。通过实验观察到，不同类型鸢尾花输入时，光功率主要集中在目标输出端口，提高了测试数据的分类准确率。数据加载时，将描述鸢尾花的关键值（萼片长度、萼片宽度、花瓣长度和花瓣宽度）转换为电流加载到输入电极，形状电极设置好后，光在波导中传播一次即可得到分类结果，在电子域的转换只需简单的浮点运算。
研究结论和讨论
Flex - MNN 是一种新型光学神经网络（ONN），是目前已知唯一能实现 100% 光计算的架构。与其他基于 MZI、定向耦合器（DCs）、微环谐振器（MRRs）和衍射光学神经网络（DONN）的解决方案相比，Flex - MNN 直接将数据加载到电极上，在光域内完成线性和非线性操作，并通过光学读出获得计算结果，其设计简单，仅由一个多模波导和 16 个电极组成。随着输入数据量和任务复杂性的增加，虽然需要扩展多模波导尺寸和电极数量，但输入电极数量与输入数据数量呈线性关系，相比单模网络具有优势。
然而，Flex - MNN 也存在一定的局限性。目前其基于热光效应，响应时间在毫秒到微秒级别，未来可采用如纳秒级响应的超快电光效应等其他调谐方法。此外，还需进一步研究波导尺寸与人工智能问题维度之间的关系，以更高效地设计多模波导。总体而言，Flex - MNN 技术为光计算领域带来了新的突破，有望推动光子集成电路在实际应用中的发展，为相关领域的技术创新提供重要的理论和实践基础。
