在这个数据爆炸的时代，人工智能（AI）正变得越来越强大，但随之而来的是对于计算能力的巨大需求。传统的电子芯片在处理海量数据时显得力不从心，而新型的硅光子芯片，却以

　　神经网络在图像识别、语言处理和决策问题等领域取得了显著进展。然而，这些算法中的卷积和矩阵-向量乘法（MVM）操作消耗了大量的计算资源。为了提高AI算法的硬件性能，国家信息光电子创新中心肖希团队基于硅光子集成电路和光频梳的可扩展架构，设计了一种硅光子神经形态加速器（SiPh-NA），并通过实验验证了其在单个计算单元上实现超过1 TOPS的计算速度，以及在处理卷积神经网络时达到高达96.67%的识别准确率，为自动Kaiyun科技有限公司驾驶、实时视频处理和其他高性能计算任务等应用提供了一种新方案。该成果以“Silicon photonic neuromorphic accelerator using integrated coherent transmit-receive optical sub-assemblies”为题发表在Optica上。

　　SiPh-NA的设计灵感来源于卷积定理，即在一个域（比如频域）中的卷积等于在另一个域（比如时域）中的逐点乘积。其计算架构原理如图1所示，整体由移相器、平衡光电探测器、马赫-曾德尔调制器、多路复用器和解复用器等组件构成。

　　研究团队在系统内引入光频梳，从而实现提高卷积速度，增加向量数量的目的。光频梳存在多个等频率间隔的相干谱线，通过把多个正交频率信号组拼接在一起，从而将计算单元扩展到计算阵列。在计算单元中，两个光学信号被传输到相干接收器的信号和本地路径。他们通过将数据编码为具有正交频率的波形幅度，并借助马赫-曾德尔调制器调制光载波，使得输出电流的幅度谱在特定频率上与输入信号的乘积成比例。待计算的数据被分成几组，然后被分配到多个正交频率的电子信号上，分别调制一个光频梳的梳齿。最后，调制后的信号组通过多路复用器拼接，并通过单通道相干接收器检测，以完成乘累加操作。

　　为了测试SiPh-NA的卷积效果，研究人员评估了其对随机生成的n维正实数向量的卷积性能，对每个n值进行100次试验，并给出平均相关系数、平均误差标准差和有效比特精度(表1)。他们将理论结果与实验数据进行对比（图2）发现即使在n=128的情况下，实验数据仍与理论计算保持相似，达到了1.024 TOP，这意味着SiPh-NA具有非常快的卷积速度，并能够在图像识别、信号处理等场景中加速卷积。除此之外，该系统还包括IQ调制器和相干接收器，能够有效处理两个复杂数据(包括负实数据)向量之间的卷积。

　　为了评估SiPh-NA对神经网络的有效性，研究团队选择了四种神经网络结构来测试其性能，共包括两个单层全连接神经网络、一个单层卷积神经网络以及具有卷积层和全连接层的前向神经网络。这些神经网络用于处理手写数字识别任务，其数据集来自sklearn库。他们将手写数字数据集按4:1的比例分为训练集和测试集，目的是为了在训练阶段优化网络参数，并在测试阶段评估网络性能。训练完成后，他们将训练好的权重矩阵/核和测试图像映射到SiPh-NA中，进行在线推理，主要包括将图像和权重矩阵展平为向量，并编码为正交频率波形的幅度。混淆矩阵显示其推理准确性能够与电子计算机的推理结果相媲美。更重要的是，该系统有望在在MVM和卷积之前的调制期间向操作数添加三角非线性运算，而其他非线性运算则需要额外的电子电路来处理。

　　尽管SiPh-NA在加速神经网络的卷积和MVM运算方面表现出色，但在计算速度和精度方面仍存在挑战。研究团队讨论了当前硅光子模块中限制SiPh-NA性能的因素，并介绍了提高性能的潜在解决方案。未来的工作将包括探索SiPh-NA的可扩展性，以及使用其他工艺的NA，并验证通过扩展SiPh-NA单元到数组和利用更高线性度的调制器来实现更快的计算速度和更高的计算精度。总而言之，该研究通过利用硅光子技术和光频梳不仅在理论上具有高计算速度和低功耗的优势，而且在实验中也展现出了处理复杂神经网络任务的潜力，对于推动光子计算在人工智能领域的应用具有重要意义。

　　如有光学论文写作/实验笔记经验、绘图工具介绍，或其他优质稿件，欢迎投稿至。