在硅基材料上设计和理论研究一种非易失性的、可重构的多波长集成衍射神经网络

《Optical Materials: X》:Design and theoretical investigation of non-volatile reconfigurable and multi-wavelength integrated diffractive neural network on silicon

【字体: 大 中 小 】 时间:2026年04月04日 来源:Optical Materials: X CS4.2

编辑推荐:

  非易失可重配置多波长光学神经网络(NM-DNN)通过Sb2S3相变材料实现,在硅基光子芯片上优化架构,1550nm、1560nm和1570nm波长下对Iris、Seed、Wine数据集平均识别准确率达92.22%,计算密度达1×10^4 TOPS/mm2,解决传统光子芯片可重构性差、并行计算不足问题。

  
邓长茂|程伟|程慧哲|何晓云|冉崇崇|赵乐涵|陈玉泰|张玉清|王瑶华|杨俊波|吴家贵
中国重庆西南大学物理科学与技术学院,400715

摘要

集成光学神经网络(IONNs)具有高速和超低能耗的特点。然而,目前大多数IONNs仍然固定不变,缺乏可重构性和多任务处理能力。在这里,我们提出了一种非易失性的、可重构的、多波长的衍射神经网络(NM-DNN),该网络使用了处于非晶态和晶态的光学相变材料Sb2S3。首先,我们使用遗传算法(GA)在220纳米的标准绝缘体上优化了由134个Sb2S3神经元组成的双层NM-DNN。接下来,该网络在1550纳米波长下对Seed数据集的分类准确率为90.48%,在1560纳米波长下对Wine数据集的分类准确率为91.55%,在1560纳米波长下对Iris数据集的分类准确率为92.34%。在仅900微米×100微米的尺寸内,三个波长通道的平均识别准确率为92.22%。因此,实现了约1×104 TOPS/mm2的超高计算密度。这种多波长并行硅光子芯片可以为并行、超高密度的光学计算提供有吸引力的解决方案。

引言

人工智能(AI)在医学诊断[1]、[2]、[3]、自然语言处理[4]、[5]和教育[6]、[7]中展示了其关键价值。然而,传统的人工神经网络(ANNs)由于高功耗[8]、[9]而面临挑战。光学神经网络(ONNs)以其高计算精度、低能耗和高速操作而受到研究人员的广泛关注[10]、[11]、[12]、[13]、[14]。与传统中央处理单元(CPUs)相比,ONNs通过利用光的固有并行性,在多任务处理场景中表现出显著优势[15]。ONNs主要分为两种架构:空间域ONNs和片上集成ONNs。后者,即片上ONNs,在系统集成方面具有决定性优势。
当前的片上ONNs架构主要包括马赫-曾德尔干涉仪(MZI)阵列[16]、[17]、[18]、微环谐振器(MRRs)[19]、[20]、[21]以及衍射方案[13]、[22]、[23]、[24]、[25]、[26],它们都具有低功耗和高可扩展性。例如,2017年,沈等人通过使用移相器调制MZI阵列构建了一个全光学神经网络,实现了元音语音识别[17]。2022年,朱等人利用与MZI阵列集成的两个超紧凑型衍射单元实现了低占用、低功耗的傅里叶卷积操作[22]。在衍射神经元框架内[22],傅等人(2023年)建立了片上衍射光学神经网络(DONN),通过制造不同深度的硅表面蚀刻来实现光衍射传播,该神经网络实现了Iris数据集分类和MNIST识别[23]。在DONN的基础上,刘等人(2023年)提出了深度映射回归模型(DMRM),用于表征meta-线中的光传播,克服了传统亚波长金属光栅表示通常需要的狭缝阵列和层间间距近似的限制[26]。这一突破将片上DONN的集成密度提升到了超过60,000个元件。2024年,孙等人引入了一种多模衍射光学神经网络(MDONN),开发了一个通用的输入/输出和金属结构库,使得芯片设计更加紧凑,并提高了能效[15]。
尽管现有的ONN架构在将大量参数和连接编码到光学领域方面表现出色,但它们在可重构性方面仍然存在根本限制。O-PCM是实现可编程ONNs的理想材料。O-PCM通过利用其非晶态和晶态之间的不同折射率来实现动态光学调制[27]。关键在于,由于其非易失性,它们可以在没有连续电源的情况下保持其光学状态。同时,最近开发的ONN相关设备也促进了基于PCM的可编程ONNs的实现[28]、[29]。基于PCM的ONNs引起了研究人员的关注。2025年,王等人提出了一种基于Sb2S3的片上可重构衍射光学神经网络(RDONN)[29]。所提出的RDONN不仅确保了片上衍射ONNs的SOI集成实现,还实现了权重的可重构性,从而扩展了芯片的用途,可用于指导实际芯片的设计和制造。所有这些设计都采用了PCM来实现可重构性,但这些工作缺乏关于并行计算的讨论。目前,扩大光子芯片的物理尺寸以提高计算能力不可避免地会引入累积的光学传播误差,这表现为大规模波导阵列中的串扰和相位漂移增加[30]。与单波长光学计算相比,多波长并行光学计算可以在不增加芯片面积的情况下提高计算功率密度。用于多任务处理的光学芯片可以大大节省大规模光学计算中的能耗成本。因此,提高计算密度是片上光子集成的关键策略。
在这里,我们提出了一种非易失性的、可重构的、多波长的集成衍射神经网络。通过使用O-PCM Sb2S3作为芯片基板,该芯片实现了高度的可重构性。在这种结构中,三种携带独立相位信息的光同时输入芯片,实现了多个数据集的并行识别。这展示了NM-DNN的多任务处理能力,相同的芯片面积实现了计算功率密度的显著提升。所提出的架构为设计高效的多任务处理器树立了范例。

结构与原理

ONNs的架构可以分解为三个基本组成部分:数据输入、计算和数据输出。图1(a)展示了NM-DNN的工作流程。数据以相位的形式输入芯片。芯片的光场显示,带有相位信息的光在被隐藏层调制后进入特定的输出波导。

仿真与结果

在构建NM-DNN之前,我们需要使用公式(3)模拟参数。图3(a1) (a2) (a3) 和图3(c1) (c2) (c3) 使用该公式对补偿因子ηexp(jΔ ?)在传播模型中的仿真结果。光传播300微米后,与直接仿真芯片的结果相比,可以发现它们的振幅分布相差一个比例因子,而相位分布相差一个恒定的相位差。

可行性、风险分析及未来展望

为了证明理论上的可行性,我们将对所设计的架构进行鲁棒性分析。图9(a)显示了不同波长下PCM的有效折射率。可以看出,在1540纳米到1560纳米的范围内,nslab的值在2.6到2.7之间变化很小。因此,激光失谐(±0.2–1纳米)引起的误差几乎可以忽略不计,相位权重也几乎不受激光失谐的影响。制造偏差是芯片中的一个常见问题。

结论

我们提出了一种基于O-PCM的NM-DNN架构,实现了多任务处理和非易失性权重存储。通过使用GA在SOI上训练134个神经元,该芯片在1550纳米、1560纳米和1570纳米三个波长下对Iris数据集的平均识别准确率为92.22%。为了验证多任务处理能力,我们分别使用1550纳米、1560纳米和1570纳米的光源同时对Seed、Wine和Iris数据集进行了分类。测试集取得了整体

CRediT作者贡献声明

邓长茂:撰写 – 审稿与编辑,撰写 – 原稿,可视化,方法论,调查,形式分析,数据管理,概念化。程伟:撰写 – 审稿与编辑,数据管理。程慧哲:撰写 – 审稿与编辑。何晓云:撰写 – 审稿与编辑。冉崇崇:撰写 – 审稿与编辑,方法论,数据管理。赵乐涵:撰写 – 审稿与编辑。陈玉泰:撰写 – 审稿与编辑。张玉清:撰写 – 审稿与编辑,

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号