《Light-Science & Applications》:Microcomb-enabled parallel self- calibration optical convolution streaming processor
编辑推荐:
云数据中心中云计算与人工智能(Artificial Intelligence, AI)应用的指数级增长,迫切需求高带宽、高能效的硬件架构。随着摩尔定律逼近极限,光学神经形态计算硬件凭借其模拟架构带来的超高速度与极低能耗成为极具前景的替代方案。本文提出一种基于微
云数据中心中云计算与人工智能(Artificial Intelligence, AI)应用的指数级增长,迫切需求高带宽、高能效的硬件架构。随着摩尔定律逼近极限,光学神经形态计算硬件凭借其模拟架构带来的超高速度与极低能耗成为极具前景的替代方案。本文提出一种基于微光频梳(microcomb)并采用时间、空间及波长三维复用的并行光学卷积流处理器(Optical Convolutioning Streaming Processor, OCSP),工作于50 GBaud及以上数据速率,实现高达每秒4万亿次操作(4 TOPS, Tera-Operations Per Second)的卷积运算速度。此外,该OCSP采用稳健的自校准机制,实现精确的光学相位校准及卷积函数配置。此创新方案利用时-空交织无源周期干涉架构,结合波分复用(Wavelength-Division Multiplexing, WDM)技术,并通过并行图像特征提取与识别任务实验验证。该OCSP为将光子计算单元无缝集成至数据中心互联中提供了可行路径,释放了光子计算在可扩展、低延迟AI工作负载中的潜力。
论文解读:基于微光频梳(Microcomb)的并行自校准光学卷积流处理器(OCSP)研究
云数据中心及人工智能(AI)应用带来数据量与算力需求的爆发式增长,传统电子硬件受限于摩尔定律瓶颈及冯·诺依曼架构的存算分离带来的高功耗与延迟问题。光学神经形态计算(Optical Neuromorphic Computing)利用>10 THz的光学带宽与模拟干涉运算,具备超低能耗(可低至2.5×10-19J/OP)与超高速度的潜力。现有光学卷积方案面临三方面局限:其一,基于微环谐振器(Microring Resonator, MRR)的非相干微梳计算架构受限于微环自由光谱范围(Free Spectral Range, FSR)与热漂移、串扰,扩展性差;其二,基于马赫-曾德尔干涉仪(Mach-Zehnder Interferometer, MZI)网格的多输入多输出(Multi-Input Multi-Output, MIMO)相干架构随输入端口数呈二次方增长且存在高速信号同步难题;其三,相干光学计算需精确控制光频尺度相位,现有系统缺乏有效的片上相位标定手段,限制了空间复用效率。为此,研究人员提出一种兼容波分复用(WDM)传输链路、具备内置自校准功能的被动时-空交织光学卷积流处理器(Optical Convolution Streaming Processor, OCSP),旨在同时解决高并行度扩展、超高速数据流加载及权重稳定配置问题。该研究成果发表于《Light: Science & Applications》。
主要关键技术方法:
研究人员在标准绝缘体上硅(Silicon-On-Insulator, SOI)平台制备含16抽头有限脉冲响应(Finite Impulse Response, FIR)滤波器的光子芯片,其中8抽头构作OCSP运算单元,最短抽头设为参考波导(Reference Waveguide)。采用孤子微光频梳(Soliton Microcomb)作多波长源(重复频率~50 GHz对应符号率50 GBaud),借助级联可调MZI与热光相移器(Phase Shifter, PS, TiN加热器)调控抽头幅值与相位。自校准通过片上参考路径结合"间隙法(Gap Method)"仅测量强度谱响应,经傅里叶变换恢复全复数冲激响应(幅值+相位)并迭代更新加热功率实现权重设定。实验利用波分复用器(WaveShaper, WS)、马赫-曾德尔调制器(MZM, 强度调制PAM-16格式)加载图像数据,光电探测器(Photodetector, PD)接收后经离线处理验证卷积效果,并嵌入光电混合神经网络对CIFAR-10数据集进行推理测试。
研究结果
原理(Principle of operation): OCSP核心为被动时-空交织FIR滤波器,传递函数H(f)=Σn=0N-1anejφne-j2πfnΔT,冲激响应h(t)=Σn=0N-1anejφnδ(t-nΔT),FSR=1/ΔT。当输入多波长数据流符号率1/ΔT与微梳线距、FIR的FSR对齐时,各波长通道独立并行完成卷积y(t)=x(t)*h(t)=Σn=0N-1anejφnx(t-nΔT)。单波长峰值算力为2N/ΔT OPS(实数值运算含乘加MAC),N=8、ΔT=20 ps(50 GBaud)下单波长0.8 TOPS,5波长并行达4 TOPS。芯片物理路径数决定卷积核尺寸,波长独立扩展输入维度,解耦波长与片上元件。
OCSP卷积核自校准(Kernel self-calibration of the OCSP): 针对微小时延致光频相位误差及热扰动问题,研究人员在芯片引入比处理路径短的参考波导(延迟差τ>T),测量含内/外部干涉的全芯片功率谱响应,经傅里叶变换分离出带参考干涉的冲激响应获取各抽头复系数。经65次迭代幅值(MZI分束比)与相位(PS加热功率)收敛至目标卷积核权重。该方法克服仅能测强度无法获相位的困难,实现相干光学计算芯片动态频率响应与权重的精确标定。
卷积核验证(Convolutional kernel verification): 制备SOI芯片(N=8有效抽头,ΔT≈20 ps,总冲激响应时长140 ps),分别配置均值滤波(Kernel 1)、边缘增强(Kernel 2)及临界点精度验证核(Kernel 3)。五路WDM信道(间隔匹配FSR整数倍)同时加载50 GBaud强度调制图像数据,经OCSP处理后波分解复用读出。实验波形与仿真吻合,均方误差低;对Sobel算子(权重和为零致载波抑制)拆分为两组可实现的权重分别运算后合成特征图,证明OCSP可通过分解实现任意核。证实多波长并行光学卷积特征提取功能有效。
光电混合神经网络(Optoelectronic hybrid neural network): 将OCSP嵌入WDM传输链路作为首层卷积加速器,采用PAM-16格式,五波长各承载CIFAR-10不同批次图像(34×34×3像素),经OCSP做2×2×3卷积生成特征图送电子后端(残差块+池化+全连接层)分类。实验测得光算首层输出特征图与CPU仿真趋势一致(差异源于系统带宽限制),光电混合网对CIFAR-10识别准确率85%(纯电子92%)。扩展测试Fashion-MNIST、MNIST及ImageNet子集同样验证有效性,表明OCSP可协同电子硬件承担AI推理前端任务。
讨论与结论:
研究人员指出OCSP采用WDM光学输入接口,可直接嵌入数据中心波分复用互联系统,克服了既往光子计算与光互联接口不兼容问题,且基于商用SOI工艺可与光收发模块共封装减小传输引入卷积误差。远期通过提升符号率至100 GBaud、采用40路100 GHz间隔微梳波长及扩大FIR抽头至64路,理论峰值算力可达0.512 Peta-OPS。片上热串扰可通过波导间距加大与隔热槽优化,非易失相位器(如薄膜铌酸锂Thin-Film Lithium Niobate, TFLN)可进一步降低调谐功耗与提速训练。OCSP支持分布式数据中心波长灵活分配,利于复杂神经网络跨节点细粒度部署。研究表明:基于微光频梳与时-空-WDM三维复用的无源自校准光学卷积流处理器(OCSP)可在50 GBaud下单波长0.8 TOPS、五波长并行4 TOPS运转,内置参考波导间隙法实现精确片上相位与幅值标定,实验成功演示并行图像特征提取及光电混合神经网络CIFAR-10推理,为数据中心低延迟、高能效可扩展光子AI加速前端提供了实用化路径。