【產通社，9月22日訊】華中科技大學（Huazhong University of Science & Technology, HUST）官網(wǎng)消息，武漢光電國家研究中心董建績、周海龍等人在光學神經網(wǎng)絡芯片擴展性方面取得重要突破。他們提出了一種名為“部分相干光學深度神經網(wǎng)絡”新架構，成功解決了片上光神經網(wǎng)絡的深度擴展和規(guī)模擴展兩大瓶頸。該架構采用級聯(lián)增益的光學非線性激活函數(shù)和部分相干光源，實現(xiàn)了迄今為止輸入規(guī)模最大、層數(shù)最多的單片集成光學神經網(wǎng)絡。研究成果發(fā)表于Light-Science & Applications，題為“Scaling up for end-to-end on-chip photonic neural network inference”。

光學神經網(wǎng)絡（ONN）因其高帶寬和高能效的優(yōu)勢，被認為是替代傳統(tǒng)電子芯片的下一代人工智能（AI）計算候選方案之一。然而，在單芯片上實現(xiàn)大規(guī)模的端到端（end-to-end）光學推理仍面臨巨大挑戰(zhàn)。首先，傳統(tǒng)光學非線性激活函數(shù)的級聯(lián)能力弱，能量衰減限制了網(wǎng)絡向更深的隱藏層擴展；其次，片上光學矩陣的規(guī)模受限于輸入端口數(shù)目，以及對窄線寬激光器等高成本光源的依賴。為突破這些限制，研究團隊提出“部分相干光學深度神經網(wǎng)絡”架構，從三個方面進行了創(chuàng)新：
增益型非線性激活函數(shù)：通過設計一種基于光-電-光（O-E-O）轉換的片上非線性激活函數(shù)，實現(xiàn)了正值凈增益，確保了信號在多層網(wǎng)絡間的有效傳遞和處理，從而能夠擴展神經網(wǎng)絡的深度。部分相干光源：傳統(tǒng)方案中，相干計算依賴復雜相干探測；而非相干計算依賴大量窄線寬波長的擴展，成本高。本方案引入部分相干光源，無需相干探測，顯著降低了系統(tǒng)對窄線寬激光器的依賴，為大規(guī)模并行計算和系統(tǒng)擴展提供了新路徑。
實數(shù)域計算架構：整個網(wǎng)絡在實數(shù)域中運行，可直接表示正、負權重而無需額外編碼。該設計降低了硬件復雜度和能耗，尤其在部分相干光下更具優(yōu)勢，因為傳統(tǒng)的相位編碼來表示符號值變得極具挑戰(zhàn)性。

基于上述創(chuàng)新，團隊設計并制造了一款單片集成的深度神經網(wǎng)絡芯片，其尺寸約為17平方毫米。該芯片包含一個64維輸入層、兩個卷積層、兩個全連接層，是目前已報道的輸入規(guī)模最大、網(wǎng)絡深度最深的光學神經網(wǎng)絡芯片。利用該芯片成功進行了端到端的圖像分類任務。在部分相干光源輸入的情況下，芯片對四分類手寫數(shù)字的識別準確率達到94%，對二分類時尚圖片的識別準確率達到96%。此外，芯片的單次推理延遲約為4.1ns，計算能效為121.7 pJ/OP，展現(xiàn)了其在高速、節(jié)能計算方面的巨大潛力。

該項研究展示了目前輸入規(guī)模最大、網(wǎng)絡深度最深的單片集成光學神經網(wǎng)絡，并且首次驗證了利用部分相干光進行實值光學計算的可行性，為構建更易于普及、成本更低且高度可擴展的光學計算系統(tǒng)開辟了新道路。

查詢進一步信息，請訪問官方網(wǎng)站http://news.hust.edu.cn/zhxw.htm，以及https://www.nature.com/articles/s41377-025-02029-z。（Robin Zhang，產通數(shù)造）頸

【產通社，9月22日訊】華中科技大學（Huazhong University of Science & Technology, HUST）官網(wǎng)消息，武漢光電國家研究中心董建績、周海龍等人在光學神經網(wǎng)絡芯片擴展性方面取得重要突破。他們提出了一種名為“部分相干光學深度神經網(wǎng)絡”新架構，成功解決了片上光神經網(wǎng)絡的深度擴展和規(guī)模擴展兩大瓶頸。該架構采用級聯(lián)增益的光學非線性激活函數(shù)和部分相干光源，實現(xiàn)了迄今為止輸入規(guī)模最大、層數(shù)最多的單片集成光學神經網(wǎng)絡。研究成果發(fā)表于Light-Science & Applications，題為“Scaling up for end-to-end on-chip photonic neural network inference”。

光學神經網(wǎng)絡（ONN）因其高帶寬和高能效的優(yōu)勢，被認為是替代傳統(tǒng)電子芯片的下一代人工智能（AI）計算候選方案之一。然而，在單芯片上實現(xiàn)大規(guī)模的端到端（end-to-end）光學推理仍面臨巨大挑戰(zhàn)。首先，傳統(tǒng)光學非線性激活函數(shù)的級聯(lián)能力弱，能量衰減限制了網(wǎng)絡向更深的隱藏層擴展；其次，片上光學矩陣的規(guī)模受限于輸入端口數(shù)目，以及對窄線寬激光器等高成本光源的依賴。為突破這些限制，研究團隊提出“部分相干光學深度神經網(wǎng)絡”架構，從三個方面進行了創(chuàng)新：
增益型非線性激活函數(shù)：通過設計一種基于光-電-光（O-E-O）轉換的片上非線性激活函數(shù)，實現(xiàn)了正值凈增益，確保了信號在多層網(wǎng)絡間的有效傳遞和處理，從而能夠擴展神經網(wǎng)絡的深度。部分相干光源：傳統(tǒng)方案中，相干計算依賴復雜相干探測；而非相干計算依賴大量窄線寬波長的擴展，成本高。本方案引入部分相干光源，無需相干探測，顯著降低了系統(tǒng)對窄線寬激光器的依賴，為大規(guī)模并行計算和系統(tǒng)擴展提供了新路徑。
實數(shù)域計算架構：整個網(wǎng)絡在實數(shù)域中運行，可直接表示正、負權重而無需額外編碼。該設計降低了硬件復雜度和能耗，尤其在部分相干光下更具優(yōu)勢，因為傳統(tǒng)的相位編碼來表示符號值變得極具挑戰(zhàn)性。

基于上述創(chuàng)新，團隊設計并制造了一款單片集成的深度神經網(wǎng)絡芯片，其尺寸約為17平方毫米。該芯片包含一個64維輸入層、兩個卷積層、兩個全連接層，是目前已報道的輸入規(guī)模最大、網(wǎng)絡深度最深的光學神經網(wǎng)絡芯片。利用該芯片成功進行了端到端的圖像分類任務。在部分相干光源輸入的情況下，芯片對四分類手寫數(shù)字的識別準確率達到94%，對二分類時尚圖片的識別準確率達到96%。此外，芯片的單次推理延遲約為4.1ns，計算能效為121.7 pJ/OP，展現(xiàn)了其在高速、節(jié)能計算方面的巨大潛力。

該項研究展示了目前輸入規(guī)模最大、網(wǎng)絡深度最深的單片集成光學神經網(wǎng)絡，并且首次驗證了利用部分相干光進行實值光學計算的可行性，為構建更易于普及、成本更低且高度可擴展的光學計算系統(tǒng)開辟了新道路。

查詢進一步信息，請訪問官方網(wǎng)站http://news.hust.edu.cn/zhxw.htm，以及https://www.nature.com/articles/s41377-025-02029-z。（Robin Zhang，產通數(shù)造）    （完）