导读

近日，华中科技大学武汉光电国家研究中心张新亮、董建绩教授团队在光子神经网络芯片的扩展性方面取得重要突破。他们提出并验证了一种名为“部分相干深度光子神经网络”（PDONN）的新型架构，成功解决了长期限制片上光子计算发展的深度和规模两大瓶颈。该架构通过采用级联增益的光学非线性激活函数和部分相干光源，实现了迄今为止输入规模最大、级联层数最多的单片集成光子神经网络。研究成果以“Scaling up for end-to-end on-chip photonic neural network inference”为题发表于Light: Science & Applications。该工作的第一作者为博士生吴波，周海龙副教授和董建绩教授为共同通讯作者。

光子神经网络（ONN）因其大带宽和高能效的优势，被认为是下一代人工智能（AI）计算最有前景方案之一。然而，在芯片上实现大规模的端到端光学推理仍面临巨大挑战。首先，传统光学非线性激活函数的级联能力弱，限制了网络向更深层次的扩展；其次，片上光学矩阵的规模受限于集成密度，以及对窄线宽激光器等高成本光源的依赖，这制约了网络输入尺寸的增加，如图1(a)所示。

为突破这些限制，研究团队提出了PDONN新架构，如图1(b)所示，从三个方面进行了创新：

1.可级联的非线性激活：通过设计一种基于光-电-光（O-E-O）转换的片上非线性激活函数，实现了正的净增益，确保了信号在多层网络间的有效传递和处理，从而能够构建更深层的网络。

2.部分相干光源：针对传统方案中，相干计算依赖高成本的相干探测、非相干计算依赖大量窄线宽波长的扩展性等难题，引入了部分相干光源。该方案无需相干探测，显著降低了系统对窄线宽激光器的依赖，为大规模并行计算和系统扩展提供了新路径。

3.实数域计算架构：整个网络在实数域中运行，可直接表示正负权重而无需额外编码。这种设计降低了硬件复杂度和能耗，尤其在部分相干光下更具优势。

图1：（a）当前片上ONN的扩展挑战：深度限制源于非线性激活函数（NAF）缺乏净增益或需要电放大（TIA）。输入尺寸则受制于相干计算中对相干探测的需求以及非相干计算中对波长数量的需求。（b）所提出的部分相干深度光学神经网络

实验验证与结果分析

基于上述理论，团队设计并制造了一款单片集成的PDONN芯片（如图2），其尺寸约为17平方毫米。该芯片包含一个64维输入层、两个卷积层和两个全连接层，是目前已报道的输入规模最大、级联层数最多的光子神经网络芯片。

图2：PDONN的整体架构（a）数学框架。（b）基于载流子注入的强度调制器。（c）作为卷积核的光学点积单元。（d）第一全连接层

研究人员利用该芯片成功进行了端到端的图像分类任务（如图3）。在使用部分相干光源的情况下，芯片对四分类手写数字的识别准确率达到94%，对二分类时尚图片的识别准确率达到96%。实验结果充分验证了PDONN架构在保持高性能的同时，对光源的相干性要求大大降低。此外，芯片的单次推理延迟约为4.1纳秒，计算能效为121.7 pJ/OP，展现了其在高速、节能计算方面的巨大潜力。

图3：（a）PDONN芯片的显微镜图像。（b）部分相干光学神经网络对手写数字进行4分类的结果。（c）部分相干光学神经网络对Fashion MNIST进行2分类的结果

技术优势与未来展望

该项研究工作在多个方面取得了关键性突破。它不仅展示了目前片上规模最大、层数最多的光子神经网络，更重要的是，首次验证了利用部分相干光进行实值光学计算的可行性，为构建更易于普及、成本更低且高度可扩展的光学计算系统开辟了新道路。

团队表示，这项工作是“向实现高能效、可扩展且易于普及的光学计算迈出的关键一步”。未来，通过进一步优化片上调制器的消光比和降低系统延迟，有望实现性能更强、规模更大的光学智能计算系统。这一突破性工作，使PDONN架构成为未来大规模人工智能应用的有力竞争者，为下一代计算硬件的发展提供了重要的理论和实践基础。（来源：中国光学微信公众号）

相关论文信息：https://doi.org/10.1038/s41377-025-02029-z