《eLight》:Passive all-optical nonlinear neuron activation via PPLN nanophotonic waveguides
编辑推荐:
人工智能(AI)正在改变现代生活,但AI应用的规模增长对计算资源提出日益增长的需求,引发了可持续性担忧。光子集成电路(PICs)提供了一种有前景的替代方案,能够实现大规模并行、低延迟和减少电开销,尤其在高吞吐量线性操作中表现出色。然而,具有同等优异性能的被动全
人工智能(AI)正在改变现代生活,但AI应用的规模增长对计算资源提出日益增长的需求,引发了可持续性担忧。光子集成电路(PICs)提供了一种有前景的替代方案,能够实现大规模并行、低延迟和减少电开销,尤其在高吞吐量线性操作中表现出色。然而,具有同等优异性能的被动全光非线性激活函数仍然罕见,构成了在PICs中实现全光神经网络的关键瓶颈。在这里,研究人员展示了一种紧凑且集成的全光非线性激活方法,通过周期性极化铌酸锂(PPLN)纳米光子波导中的强二阶光学非线性(χ(2))实验实现,达到了约80%的绝对转换效率。这种激活表现出类似sigmoid的、波长选择性响应,具有飞秒级动力学和光速处理,无需外部控制和辅助信号即可被动运行。研究人员通过将PPLN驱动的激活与线性硅PIC级联,验证了其用于神经推理的可行性,展示了全光非线性神经元的表达能力。此外,结合实测非线性与PIC计算的线性操作,研究人员表明PPLN激活的多层光学神经网络可以在实际任务中达到与数字实现相当的性能,包括翼型回归和医学图像分类。这些结果为下一代光子AI硬件的可扩展、高速、完全集成的全光神经网络铺平了道路。
论文解读文章
**研究背景与问题**
人工智能(AI)的快速发展对计算资源提出了巨大需求,传统电子计算架构在带宽、延迟和能效方面面临瓶颈。光学计算,特别是光学神经网络(ONN),因其超快信号传输、无电阻损耗和低功耗计算等优势,成为有前景的替代方案。光子集成电路(PIC)通过密集集成光子元件,支持可扩展的ONN部署。ONN的两个核心原语是线性变换(如光学矩阵乘法)和非线性激活。线性操作已在PIC平台上成功实现,但被动全光非线性激活函数仍属罕见,成为实现全光神经网络的瓶颈。现有光学激活方法多依赖光电转换或外部控制(如电驱动、热调谐或辅助光输入),引入额外开销和延迟。因此,需要一种完全被动、集成化且具有超快响应的全光非线性激活方法,以推动可扩展、高吞吐量的PIC基ONN架构。
**研究与结论**
研究人员在《eLight》发表论文,展示了一种基于周期性极化铌酸锂(PPLN)纳米光子波导中强二阶光学非线性(χ
(2))的被动全光非线性激活方法,实现约80%的绝对转换效率。该激活具有类sigmoid的波长选择性响应,飞秒级动力学和光速处理,无需外部控制或辅助信号。通过将PPLN驱动的激活与硅基马赫-曾德尔干涉仪(MZI)网络级联,构建了全光神经元,在合成二元分类、Iris数据集、医学图像分类(DermaMNIST-C)和翼型噪声回归等任务中,性能与数字实现相当。这项工作为可扩展、高速、完全集成的全光神经网络奠定了实验基础。
**主要关键技术方法**
研究人员采用以下关键技术:(1)基于PPLN纳米光子波导的泵浦耗尽二次谐波产生(SHG)过程,实现类sigmoid非线性激活;(2)硅基MZI网络实现任意矩阵-向量乘法,作为线性运算模块;(3)光学级联PPLN和MZI芯片,构建全光神经元;(4)利用数字孪生进行离线训练,将学习到的权重映射到硬件;(5)实验测量包括连续波(CW)和脉冲泵浦下的SHG转换效率及MZI计算精度。医学图像分类任务使用DermaMNIST-C数据集(来自MedMNIST),翼型回归使用NASA Airfoil Self-Noise数据集。
**研究结果**
**2.1 非线性与线性PIC的制备与表征**
通过制备11 mm长的PPLN纳米光子波导,测量其SHG光谱,相位匹配波长为1552 nm。连续波泵浦下,归一化转换效率达1986% ± 26% W
?1 cm
?2,绝对转换效率在135 mW时达78.5%。脉冲泵浦下,0.3 nJ脉冲能量时转换效率达80.9%。该激活无物理阈值,在约2 mW时出现非线性响应,10 mW以下出现饱和曲线。MZI网络测量300组随机2×2矩阵,CW下标准差0.005、R
2为97.7%,脉冲下标准差0.06、R
2为96.2%,表明高精度线性计算。
**2.2 基于χ
(2)的全光神经元非线性学习**
通过时间复用一个全光神经元(PPLN激活+MZI加权求和),构建单隐藏层(32神经元)ONN,在三个二元分类基准(Moon、Circle、Gaussian)上测试。训练使用数字孪生,学习到的权重映射到硬件。最终测试准确率分别达0.91、0.89、0.97,AUC值分别为0.99、0.95、0.96。在Iris多类数据集上,分类准确率达96.7%。结果表明SHG驱动的全光激活能有效形成决策边界。
**2.3 ONN在皮肤医学图像分类中的应用**
采用实测CW泵浦SHG响应曲线作为激活函数,结合MZI线性操作,构建三层MLP(256,128,64神经元)处理DermaMNIST-C数据集(7类皮肤病,28×28像素)。最终测试准确率82.64%,与数字ResNet-18的82.50%相当。混淆矩阵显示Nevi类准确率93.35%,其他类别也有合理表现,验证了χ
(2)激活的有效性。
**2.4 ONN在翼型自噪声数据集上的回归**
采用相同架构,两层MLP(64,64神经元)处理NASA Airfoil Self-Noise数据集(5个气动特征预测声压级)。测试R
2达0.94,残差分布对称且近零,预测值与真实值吻合良好,表明SHG激活能有效捕获连续值回归任务中的非线性关系。
**总结与讨论**
研究人员在讨论中指出,基于PPLN中χ
(2)非线性的被动全光激活方法具有超快响应(飞秒级)、被动运行、波长选择性和仅波导结构等优势,与现有主动调制方案相比,计算带宽更高(预测3dB带宽约146 GHz)。目前原型采用分立芯片级联,未来可通过异质集成或单片薄膜铌酸锂(TFLN)平台实现单片集成,降低损耗并提升性能。该激活方法在能量效率上,脉冲模式下约0.25 nJ/操作,有望在GHz调制下实现超过1 TOPS/W的计算效率。研究结论翻译如下:这项工作是实现基于χ
(2)驱动激活函数的芯片级被动全光非线性神经元的里程碑式实验突破,具有飞秒响应和仅波导架构,为超快和可扩展的多层ONN奠定了基础。然而,实现单芯片上千兆赫兹速度的全集成全光神经网络仍是迈向下一代神经形态光子计算的关键下一步。