光计算：智能时代计算新范式

光计算：智能时代计算新范式

随着人工智能技术的快速发展，传统电子计算器件已无法满足高能效、高集成度的需求。光计算以其多维度、低延迟、低能耗的显著优势备受关注。北京理工大学光电学院王涌天教授团队、黄玲玲教授课题组张楠教授在《中国激光》期刊上发表特邀综述文章，系统介绍了光计算和光电智能计算的研究进展。

一、背景介绍

近年来，随着人工智能技术实现的功能愈发复杂，传统电子计算器件已无法满足高能效、高集成度的需求，因此亟须一种高算力和高能效的新式硬件架构作为替代。在广泛的替代电子计算的方案中，光计算以其多维度、低延迟、低能耗的显著优势倍受关注。光计算的发展路径，按照系统架构特征可以划分为全光计算架构和光电智能计算架构两类，二者各具优势，有望在多个方面超越现有电子器件，从而满足人工智能时代下对计算硬件的新要求。

北京理工大学光电学院王涌天教授团队、黄玲玲教授课题组张楠教授围绕人工智能计算高算力和高能效的应用需求，从光学算子和光学神经网络角度出发，综述了领域内不同功能光学算子的实现方法、光学神经网络实现线性运算和非线性激活函数的具体方法、光学神经网络的训练方式等最新研究进展，以及逻辑运算、多任务目标识别、边缘提取、动作识别、医学图像重建、光通讯和超分辨率显示等方面的应用，并分析了其主要挑战和发展趋势。

二、光学算子实现方法及其应用

光计算架构按照功能可以分为两类：光学算子和光学神经网络，如图1 所示。目前常见的光学算子主要有光学微分算子、光学卷积算子、光学积分算子、时域离散余弦变换算子等，可应用于图像处理、生物成像、动作识别等实际任务。

以实现光学微分算子为例，利用光子的固有物理性质，例如光子自旋霍尔效应、布儒斯特效应等能够实现微分运算，然而这些器件普遍装置复杂、体积庞大，难以微型化和集成化，不利于应用。为克服上述弊端，研究者们提出了基于超表面的微分运算方式：根据傅里叶变换关系，空间域内入射光场沿x方向的导数将变换为频域内的波矢kx，因此设计一种超表面，使其相干函数正比于波矢kx即可实现复振幅微分功能。基于上述原理，研究者们实现了多项工作，例如采用逆设计方式设计几何相位超表面实现微分功能、采用全介电多层结构组成的超表面实现高阶微分功能，提出傅里叶光学自旋分离显微技术实现相位物体成像功能等。

光学卷积算子可用于提取图像的局部特征，起到数据降维的作用。近期研究者们陆续提出了多种实现光学卷积的方式，例如利用角度敏感像素实现卷积、利用4F系统内设置掩模板实现卷积、利用掩模板和图像传感器实现无透镜卷积等。

图1 光计算分类

三、光学神经网络实现方法及其应用

与前面提到的光学算子不同，光学神经网络的功能不局限于某一种特定的运算，可以独立完成图像识别、深度预测等复杂任务。光学神经网络（ONN）是受2024年诺贝尔物理学奖人工神经网络（ANN）启发发展起来的。常见的ANN结构都是以层为单位构建的，其单层的基本结构可以用数学公式表示为yout=f（ω·xin+b），该公式涵盖了神经网络的两个核心过程：线性运算部分和非线性激活函数部分。因此，目前ONN基本沿用这一模式，利用光学元件来实现线性和非线性运算。

目前全连接光学神经网络实现线性运算的主流方案可分为三类，分别是基于平面光转换（PLC）、马赫曾德尔干涉仪（MZI）和波分复用（WDM）。PLC是在自由空间中基于光衍射传播原理实现的方案，通过光学元器件（例如空间光调制器、超表面、数字微镜等）调控复值光场的相位从而实现线性乘法运算。目前，对PLC的探索主要有3个方向：复用光场多维度拓展信息容量以提高运算速度、探索可重构架构以实现多任务、非相干光衍射神经网络以满足现实场景应用需求。MZI和WDM主要基于绝缘硅片实现。MZI是相干光学神经网络的基本单元，它由两个带有相移器的臂组成，通过调制两臂的相位，使得两臂输出的光信号产生相长或相消干涉，从而有效调节输出光强，实现乘法运算。WDM由复用器件、微环谐振器和解复用器件构成，微环谐振器通过改变微环结构掺杂材料和微环半径得到不同的谐振波长，由此使器件透过率具有波长选择性，从而实现多波长通道的线性运算。对上述两种方案的探索方向主要有：对器件权重的精确控制问题、运算数值域的扩展问题、以及器件规模的扩大问题等。

然而，上述方案通常采用有源光学器件，存储权重需要持续供能，能耗相对较大，为此寻找一种可重构的低能耗光学运算器件成为新的需求。为此研究者们又利用相变材料的非易失性存储权重实现线性运算，使ONN向着更低功耗处理数据的方向迈进。

与此同时，非线性激活函数的引入使ANN更加接近生物大脑处理信息的方式，从而提高网络信息处理的能力。目前，ONN实现非线性激活主要分为全光方式和光-电-光方式，表1从实现器件、激活函数类型、可重构性、总能耗、处理速度、器件尺寸等方面系统总结了实现非线性激活函数的不同方案。

表1 不同光学非线性激活函数实现方式的对比

除了在计算硬件上需实现对应的网络结构外，光学神经网络还需要有一套对应的训练算法以在训练过程中更新参数。由于电子神经网络中误差反向传播算法由来已久，绝大多数光学神经网络均采用了这一方法（即离线训练），除此之外，在光器件上直接求导更新参数的方案（即在线训练），以及介于离线训练和在线训练之间的过渡方法也相继提出，有望解决ONN训练过程中出现的物理模型与理论模型差距大、训练时间长、运算量大导致的低能效问题。

四、挑战与展望

光计算和光电智能计算充分发挥光电各自的优势，满足人工智能时代下对计算硬件的新需求。然而，目前光计算和光电智能计算的发展仍面临诸多重要挑战，这些挑战制约着光电智能计算的发展和产业化。例如：光计算处理复杂任务的能力薄弱，该问题需要从非线性激活函数、解决隐藏层级联过程中带来的光损耗和误差积累问题这两个方向突破。其次是ONN难以在真实场景下应用，解决该问题需要探索非相干光计算方法实现感前计算。最后是可重构性问题，除了采用可重构器件实现多任务的方案外，发挥光场的多维度优势、采用多维复用的方式将是未来的探索关键。

未来，光计算将以光电智能混合计算架构为主，依托于传统微电子计算单元和光计算单元共同完成混合运算。为进一步提升光电智能混合计算架构的性能，需要对硬件层和算法层综合优化，将现有电运算的灵活性与光运算的带宽、速度优势相结合，并尽可能减少光电转换过程的能耗，利用光学方法低能耗的优势。此外，集成式光计算系统也成为发展趋势，基于硅光平台的集成计算系统成为主流方案并呈现多样化，未来需要提升异质集成工艺，进一步提高系统集成度以实现器件小型化。除此之外，探索全光架构光计算技术也要协同并行，主要包括：探索非线性光学器件方案实现全光神经元，探索光互连技术实现数据的灵活传输、探索光电忆阻器件实现低功耗内存和实时信息处理等。

总之，不同的光计算架构可能适用于不同的特定任务。在当前人类发展的第四次科技革命浪潮中，相信光计算和光电智能计算将提供更加通用、高效、可靠的计算方法，以满足当今智能时代下快速增长的大规模和复杂计算任务需求。

本文原文来自《中国激光》期刊