编辑推荐:
光计算为满足日益增长的计算需求提供了一种有前景的途径。然而,光模拟计算易受环境扰动影响,严重依赖数模转换器(Digital-to-Analog Converter, DAC)和模数转换器(Analog-to-Digital Converter, ADC),且需
光计算为满足日益增长的计算需求提供了一种有前景的途径。然而,光模拟计算易受环境扰动影响,严重依赖数模转换器(Digital-to-Analog Converter, DAC)和模数转换器(Analog-to-Digital Converter, ADC),且需要电子或光子非线性操作。尽管光数字计算缓解了一些问题,但其对人工、任务特定配置的依赖阻碍了推理等更广泛的应用。在此,研究人员提出了光逻辑卷积神经网络(Optical Logic Convolutional Neural Network, OLCNN)的概念。研究人员展示了一个用于模式生成的1×3光逻辑卷积算子(Optical Logic Convolutional Operator, OLCO),并验证了其20 Gbit/s的高速计算能力。随后实现了一个2×2 OLCO以执行三种类型的图像边缘提取。通过扩展规模,构建了一个3×3 OLCO,使OLCNN能够在修改后的国家标准与技术研究院(Modified National Institute of Standards and Technology, MNIST)数据集上实现四类分类,平均测试准确率为95.1%。通过将光逻辑器件与神经网络协同结合,这项工作开创了用于人工智能的高速、高能效光硬件的逻辑驱动范式。
随着卷积神经网络(Convolutional Neural Networks, CNNs)在计算机视觉、语音识别、自动驾驶及医疗诊断等领域的广泛应用,其对计算资源的需求呈指数级增长。然而,传统电子硬件在功耗、时钟频率和延迟方面面临根本性限制,难以匹配现代深度学习任务的性能需求。光计算凭借低功耗、高带宽、低延迟和固有并行性等优势成为替代方案,但现有光模拟计算范式易受噪声干扰,且高度依赖高精度数模转换器(DAC)和模数转换器(ADC),同时非线性激活函数的实现仍受限于电子元件,导致系统功耗和延迟增加,削弱了光计算的核心优势。相比之下,光数字计算虽具有更强的抗噪性和与现代电子数字计算的兼容性,且天然具备非线性特征,但现有光数字计算通常针对特定任务设计,依赖人工预定义规则而非自适应学习框架,尚未应用于直接图像处理和更广泛的人工智能任务。为此,研究人员基于光可编程逻辑阵列(Programmable Logic Array, PLA),通过联合波长-空间编码实现完整的逻辑最小项生成,提出了光逻辑卷积神经网络(OLCNN)架构。
为实现这一目标,研究人员采用了几项关键技术方法:首先,设计了光逻辑卷积算子(OLCO)作为核心单元,基于锂铌酸盐绝缘体(Lithium-Niobate-On-Insulator, LNOI)和绝缘体上硅(Silicon-On-Insulator, SOI)平台进行器件制备;其次,利用延迟干涉仪(Delay Interferometer, DI)和微环谐振器(Microring Resonator, MRR)构建波长编码器(Wavelength Encoder, WE)和空间编码器(Spatial Encoder, SE),通过波长和空间维度的联合编码生成逻辑最小项;此外,采用直通估计器(Straight-Through Estimator, STE)方法解决阈值函数梯度消失问题,并结合反向传播算法优化网络权重,实现了离散逻辑函数下的高效训练。
在结果部分,研究人员首先展示了基于LNOI平台的1×3 OLCO的实现。该算子利用四个波长通道和两个空间通道,通过DI和马赫-曾德尔调制器(Mach-Zehnder Modulator, MZM)构建WE,实现了波长与空间的联合编码。研究人员利用该算子执行初等元胞自动机(Elementary Cellular Automata, ECA)的规则30和150,从单一活细胞出发经过64次迭代生成了复杂图案,并在20 Gbit/s的高速信号下验证了输出波形与理论计算一致,证实了其高速计算能力。
其次,研究人员展示了基于SOI平台的2×2 OLCO的实现。为解决标准DI传输谱呈正弦变化导致消光比不足的问题,研究人员在DI短臂侧引入MRR以获得更陡峭的箱型光谱响应。该结构作为WE,在8纳米光谱范围内复用了16个波长通道。研究人员利用该算子成功执行了水平、垂直及全向三种图像边缘提取任务,实验结果与仿真一致,证明了其在图像处理中的应用潜力。
进一步,研究人员构建了3×3 OLCO以实现OLCNN,采用256个波长通道和两个空间通道的离散组件搭建实验装置。输入图像被调整为9×9像素并二值化后送入网络。OLCNN包含两个卷积层和一个全连接层,研究人员利用该网络对MNIST数据集进行了两类四分类任务({0,1,2,3}和{4,5,6,7})。经过750个训练周期,测试集准确率分别达到96.15%和94.05%,平均准确率为95.1%。对于十分类任务,通过加深网络结构,准确率可达88.42%。
在讨论部分,研究人员指出OLCNN构成了一种独特的计算范式,其利用布尔逻辑运算替代模拟域中的加权求和与非线性激活,数据二值化显著降低了对计算精度的要求,增强了系统对制造误差和热漂移的鲁棒性。与光模拟卷积相比,OLCNN消除了对DAC的需求且仅需1位ADC(比较器),显著降低了数据处理延迟和复杂度。在10 Gbit/s运算速度下,OLCO的能效达到5.2 TOPS/W,比光模拟卷积提高了一个数量级以上。此外,逻辑运算的固有非线性消除了在光子或电域实现非线性激活的需求。作为基本单元,光PLA可通过离散系统和集成平台实现,通过优化微环辅助DI的光谱形状及利用模式、偏振等其他光维度进行编码,可进一步扩展PLA规模。MZM的调制速度已超过50 Gbit/s,使得OLCNN非常适用于自动驾驶、工业检测和无人物系统等延迟敏感、功率受限的边缘计算任务。总之,该研究基于联合波长-空间编码的光学PLA展示了OLCNN架构,开创了利用布尔逻辑进行高速、高能效处理的光数字计算范式,为光子智能提供了一条替代路径。