撰稿 | 黃威、張佳琦（鵬城實驗室訪問學生）

人工智能的蓬勃發展推動了其在各個領域的廣泛應用，在機器視覺、自動駕駛、棋盤游戲和臨床診斷等各個領域取得了巨大的成功，但數據量的飛速增長使智能實現面臨速度慢、能耗高的問題。馮·諾依曼架構的摩爾定律逐漸不再有效，集成電子電路算力也慢慢無法應對未來數據量爆炸性的增長，海量數據洪流的時代漸漸淘汰舊的芯片規則約束，正催生芯片架構進行一次巨大的革新。

光學計算利用光場仿真人工智能的實現過程，相較于電子計算，具有高速、高寬帶、低功耗的優點，為解決這一瓶頸問題提供了一種獨特的方式。比如通過光頻梳對不同波長的數據或權重進行編碼，單個時間步長的操作可以自然而然地同時應用于數千甚至數百萬個不同信道。得益于現代圖形處理器（GPU）強大的運算和并行計算能力以及廣泛開源的數據集，模擬人工智能的光學計算成為可能。

在即將到來的第五代移動通信技術(5G)時代，大量的傳感器和互聯網連接設備每秒都會產生大量的數據，這些數據需要由人工智能以盡可能快的速度處理。神經網絡是由成千上萬個甚至數百萬個相互連接的多層神經元組成的典型的人工智能模型，可以學習具有多層次抽象特征的數據，結構也在變得越來越復雜。

為了解決這一公認的困難，近年來研究者在電子架構創新方面進行了各種努力，以加速低功耗下的人工智能推理和訓練。近期，來自清華大學、香港科技大學和鵬城實驗室的科研工作者回顧并總結了實現人工智能模擬的光學計算在不同人工智能模型中的最新突破，主要涵蓋了模擬前饋神經網絡、蓄水池神經網絡和脈沖神經網絡相關的光計算，討論了當前技術的可行性，并指出了不同領域的各種挑戰。

其綜述以 “Analog optical computing for artificial intelligence”為題發表于中國工程院的院刊 Engineering，該論文的共同第一作者是清華大學的吳嘉敏博士，林星博士和郭雨晨博士，共同通訊作者是清華大學戴瓊海院士和方璐教授以及鵬城實驗室焦述銘博士，此外香港科技大學的劉軍偉老師也參與了論文的撰寫。

光模擬人工智能模型進展

1. 前饋光神經網絡(ONN)

前饋神經網絡采用一種單向多層結構，其中每一層包含若干個神經元，在這種人工神經網絡中，相鄰層的所有神經元都通過不同的突觸權值相互連接，各神經元可以接收前一層神經元的信號，并傳送到下一層。其特點在于整個網絡中沒有反饋，信號從輸入層向輸出層單向傳播，可以用一個有向無環圖表示。

圖1.前饋神經網絡結構圖

目前，基于前饋神經網絡進行的光計算研究主要集中在以下四個方面進行的：光學線性加權總和、光學線性卷積、光學非線性激活函數和光學系統上的在線網絡訓練。

對于全連接神經網絡的光學實現，需要在光學上執行加權求和運算或向量矩陣乘法運算。到目前為止，已經有幾種不同的光學加權求和的實現方式，具體來說有以下幾種。

第一種，級聯馬赫·曾德爾干涉儀類光網絡。網絡中多個馬赫·曾德爾干涉儀相互級聯，構成一個矢量矩陣乘法的光學計算裝置。馬赫·曾德爾干涉儀的基本概念可以追溯到1994年的早期工作，最初主要被用來作為光纖中的波分復用器。在最近的研究中，研究人員提出了一個包含56個硅光子集成電路的可編程納米光子處理器，每個子處理器相當于一個馬赫·曾德爾干涉儀，每個干涉儀又包含兩個分束器和兩個可調的移相器，這樣的光學網絡可以等效數學中的奇異值分解的矩陣運算。需要注意的是，一個馬赫·曾德爾干涉儀并不等同于人工神經網絡中的一個神經元，但一個級聯馬赫·曾德爾干涉儀網絡可以在同一網絡中的兩層神經元之間執行等效的線性向量-矩陣乘法運算，如下圖所示。

圖2. 級聯馬赫·曾德爾干涉儀網絡圖

計算某一組向量矩陣相乘時，所構造的級聯馬赫·曾德爾干涉儀網格架構并不是唯一的，這樣就允許我們為相同的向量矩陣計算設計兩個不同的級聯馬赫·曾德爾干涉儀網格，各自分別的特征可以是可調性更強或容錯性更強。通過3D打印加工光波導，級聯馬赫·曾德爾干涉儀系統可以從二維擴展到三維，以實現更高的計算能力。除此之外，復數計算操作也可以通過級聯馬赫·曾德爾干涉儀有效地實現。級聯馬赫·曾德爾已被嘗試用于多種人工智能任務，如語音識別、花卉數據分類和葡萄酒數據分類等。

第二種，深度光衍射神經網絡（D2NN）。在D2NN網絡結構中，多層級聯光衍射調制板垂直于光的傳播方向并以一定的空間間隔平行放置，輸入平面和輸出平面上的空間光強分布分別對應于輸入向量和輸出向量，如下圖所示。

圖3.深度衍射神經網絡圖

入射光場在自由空間中向前傳播，并由每個調制板依次調制。所有衍射光學元件的像素值（相位、振幅或復振幅）通過類似于深度學習中對應的誤差反向傳播算法進行優化。優化后的整個系統從輸入光場到輸出光場進行線性變換，實現向量矩陣乘法。通常，一個多層級聯衍射調制板系統的信息處理能力與總的層數正向關聯。該系統可以作為光學線性分類器，并已被證明能夠對MNIST數據集中的數字圖像進行光學分類，并在Fashion- MNIST數據集中對服裝圖像具有中等較高的分類精度。在后續的工作中，D2NN神經網絡系統從不同的方面得到了改進和提升。最初D2NN由太赫茲光源驅動，后來尺寸更小的紅外和可見光光源系統也被使用。D2NN的實現也不局限于單色相干光照明，寬帶D2NN還可以實現用于光譜濾波和波長解復用應用。有的研究人員將D2NN與數字處理器或數字神經網絡相結合以提高預測性能。仿照殘差深度學習網絡的殘差D2NN也被提出來，并用多個反射鏡簡單地實現了輸入和輸出之間的直接快捷連接。有研究人員針對訓練集圖片進行幾何變換后訓練D2NN系統，結果表明D2NN可對于圖像的平移、旋轉和縮放有一定魯棒性。大量的研究結果表明，一個D2NN系統可以處理多樣化的計算機視覺任務，除目標分類之外，還有圖像分割、圖像顯著性檢測以及圖像超分辨。

除了傳統的機器學習任務外，還有研究人員將D2NN應用于其他光計算和光信號處理任務，比如激光雷達的智能光束轉向、圖像加密、光邏輯門、脈沖整形和模分復用光纖通信中的模式識別/復用/解復用等等。

第三種，基于空間光調制器和透鏡的光學計算。與之前兩種基于相干光設計的架構不同，這種基于空間光調制器和透鏡的架構可以使用相干或非相干光照明。入射光在空間光調制器平面的強度分布相當于輸入向量值，根據加權系數對空間光調制器的不同像素進行編碼，光束依次通過空間光調制器和透鏡聚焦到焦點。將探測器放置于透鏡焦點上，然后收集空間光調制器平面上的總光強，其結果相當于輸入向量和加權系數向量之間的內積。該架構如下圖4（a）所示，類似于光學成像中的單像素成像的概念。

圖4.實現復數矩陣乘法的方法圖

通過使用不同類型的透鏡，可以有多種方法來實現復數矩陣乘法，如使用一個傅立葉透鏡得到輸出光的總和，或使用柱面透鏡。柱面透鏡只在水平方向或垂直方向上對平行光和會聚光之間進行轉換。輸入向量由沿水平方向像素化陣列的光強分布表示。兩個柱面透鏡在空間光調制器平面上執行一維輸入陣列的復制和一維加權求和，如圖4 (b)所示，輸出結果最后通過焦平面上沿垂直陣列的光強分布來表示，這實現了多個線性加權求和操作的并行處理。此外，向量矩陣乘法可以通過簡單地用單個傅里葉透鏡多次重復加權求和運算來實現。

基于空間光調制器和透鏡的架構，可以很容易與冷原子系統相結合以實現一個同時具有線性和非線性變換的全光學深度神經網絡。基于該架構，有研究人員構建出一個具有174個光學神經元的大規模可編程全光深度神經網絡。與其他體系結構相比，這種實現方式對于不同的任務完全可重復編程，而無需改動物理器件。

第四種，波分多路復用(WDM)實現線性加權總和。輸入向量中的每個元素都由一個具有特定頻率（或波長）的光波強度表示，然后通過通常由微環諧振器(MRRs)構造的光子權重陣列對其進行不同的光譜濾波，從而對輸入信號進行加權。最終如下圖所示，平衡光電二極管(BPD)通過采集不同波段中所有信號的總光功率實現加權線性求和。這種體系結構被認為可能與主流的硅光子器件平臺兼容。在最近的工作中，WDM架構與基于光子芯片的微頻梳相結合，可以顯著提高數據處理速度和容量。非易失性相變材料也被集成到波導上以實現在芯片上局部存儲加權值。最近發表在Nature上論文展示基于這一框架的光向量卷積加速器每秒可以執行超過10萬億次的操作。

圖5.波分復用實現線性加權總和圖

另外，光的向量矩陣乘法運算，也可以通過光在納米光子介質的傳播實現，進入介質的輸入光強空間分布表示輸入圖像模式。光場通過介質后的輸出強度空間分布表示計算結果（如圖像分類結果）。介質由主體材料和不同折射系數的摻雜物組成，摻雜物對光的散射更強。通過適當優化摻雜物的位置和形狀，可以將介質內的光場散射，實現矢量與權重矩陣的乘法。

與全連接的神經網絡相比，卷積神經網絡(CNN)中的神經元的連接更稀疏。此外，多個連接可以共享相同的權重值。CNN中相鄰兩層神經元之間的向量矩陣乘法運算本質上是一種卷積運算。在數學上，輸入圖像和核之間的卷積等價于輸入圖像的傅里葉濾波。在光學中，包含圖像信息的輸入光場的傅里葉變換和傅里葉反變換可以很容易地通過4f雙透鏡系統來實現。根據卷積核而設計的濾波掩膜可以放置在4f設置的傅里葉平面上。一些研究中也中進一步實現了在傅里葉域內進行卷積的廣義光子張量操作處理器。卷積操作也可以通過其它方式實現，如級聯聲光調制器陣列、波分復用加光延遲線或色散誘導延遲等。

如果一個神經網絡是完全線性的，沒有任何非線性激活函數，那么即使物理上存在多層線性變換，其有效的計算也只等價于單層，因為多個矩陣的乘法結果仍然是一個單一的矩陣。為了實現全光深度神經網絡，實現非線性激活函數是必不可少的。但光學中的非線性過程不容易通過實驗實現，這使得以可行方式實現非線性激活功能成為光學神經網絡研究中最具挑戰性的問題之一。

在許多光學神經網絡研究中，只有線性操作是光學實現，非線性操作通常是模擬實現的。一般來說，非線性激活函數可以由電子元件和光學元件組成的混合系統實現，但由于光學信號和電子信號之間的相互轉換，這種方法不可避免地降低光學計算的性能。理想的方案是使用純光學元件實現非線性激活函數，最近研究中，電磁誘導透明(EIT)的使用證明了光學實現非線性層的實際可行性。如下圖所示,EIT是指一束光在介質中的穿透能力由另一束光所控制的非線性光學現象。理論上，EIT可以發生在任何具有三重態的真實材料系統中，其中不同狀態之間的躍遷概率振幅取決于它們的粒子分布。

圖6.電磁誘導透明原理示意圖

一個深度學習網絡通常首先需要大量的樣本進行訓練，以優化所有的權重系數。經過訓練后，網絡可以對樣本有效地執行一定的預測任務。在許多光學神經網絡的相關研究中，訓練在計算機上完全數字化離線進行，只有光學神經網絡的預測操作是通過光學實驗進行的。事實上，對光學神經網絡在線訓練在一定程度上也可以實現。

目前很多關于級聯馬赫·曾德爾干涉儀網格的在線訓練研究已經在進行之中。誤差反向傳播是數字深度神經網絡中應用最廣泛的訓練算法，在設計算法時，伴隨變量法經常用于推導級聯馬赫·曾德爾干涉儀網格的反向傳播算法。在訓練中，梯度可以通過級聯馬赫·曾德爾干涉儀網格不同節點上的光強度來測量。另外，可以使用前向傳播和沒有反向傳播的有限差分法對級聯馬赫·曾德爾干涉儀系統進行片上在線訓練。

很多研究者使用遺傳算法和粒子群優化兩種進化算法，對在線訓練的級聯馬赫·曾德爾干涉儀網格參數進行優化。這些全局優化算法是無梯度的，可以避免陷入局部最優解的問題。

而對于D2NN結構，在線訓練方法目前也被廣泛研究。深度神經網絡的標準訓練算法是基于誤差反向傳播，而通過光路可逆和相位共軛原理，通過測量前向和后向傳播的光場強度，也可以在線獲得梯度值。每一層靜態光衍射器件可以被替換為一個空間光調制器，用于動態訓練和參數更新。實際輸出光場與目標光場之間的殘差可以由一個復振幅光場生成器產生，用于光場反向傳播。仿真結果表明，與離線計算機訓練相比，在線訓練方案可以明顯降低計算成本。

對于其他的光學神經網絡架構，如果有適當的優化算法、準確的實驗測量和動態編碼的光學元件，也可以實現光學系統上的在線訓練。

2. 光蓄水池計算(RC)

與前饋神經網絡相比,遞歸神經網絡因為內部反饋回路的存在,具有記憶和聯想的能力,可用于時序信息處理。蓄水池神經網絡就是遞歸神經網絡的一種,它由回聲狀態網絡和液體狀態機發展而來。由于其在處理時間序列數據方面的特殊優勢，該架構在執行時序信號預測和語音識別等任務時顯示出了較好適應性。蓄水池神經網絡結構通常由一個固定的非線性系統組成，如蓄水池節點，它允許輸入信號在高維空間中轉換為時空狀態。通過訓練一個儲存態的讀取器來確定蓄水池動態，從而獲得蓄水池的時間輸出數據。蓄水池神經網絡的內部結構如下圖所示。

圖7.蓄水池神經網絡結構圖

蓄水池神經網絡由三層神經元構成,分別為輸入層、中間層和輸出層,中間層也被稱為蓄水池。蓄水池層是整個神經網絡中最復雜也是最重要的部分,其內部神經元的互連有著“稀疏、隨機且固定”的特點:稀疏是指蓄水池層內的一個神經元不需要與其他神經元一一完全連接;隨機是指不需要特意為蓄水池內部神經元設計互連架構,實際上,蓄水池內部的連接狀態可以是未知的;固定是指在蓄水池訓練過程中,不需要改變其內部神經元的互連權值。蓄水池的這些特點充分模擬了人類大腦中生物神經元的互連方式和動態特性。目前，關于蓄水池神經網絡的光計算的研究主要集中在兩個方向，一種是全光學類的蓄水池計算，另一種是光電類蓄水池的計算。所謂全光類蓄水池，就是在蓄水池神經網絡中的蓄水池的實現是完全模擬光的傳播過程，光電類蓄水池的計算即表示結合光電的方法實現蓄水池模型。RC的全光和光電實現之間的差異取決于不同類型的蓄水池和輸入層。

超高速計算和低功耗是全光RC系統的主要優點。常見的基于全光結構RC可以分為兩種：空間分布的RC和基于延遲線的RC。

利用衍射光學元件是實現空間分布的光子RC的一種方法。2015年，Bruner和Fischer提出的垂直腔表面發射激光器(VCSELs)網絡就是典型的空間分布的RC，如下圖所示。該RC結構中，VCSEL陣列晶格間距與成像透鏡焦距的組合可以在相鄰激光器的主射線之間形成一個角度，通過透鏡的焦距來調節，從而調節衍射光學元件實現激光的耦合和衍射復用。

圖8. 衍射光學元件實現蓄水神經網絡圖

為了簡化光子系統的復雜硬件，科研工作者們引入了一種新型的基于延遲線RC的光學系統，這種全光學神經網絡通常需要結合半導體激光器、半導體光學放大器或者無源光腔來實現。他們將一個反饋結構分成一系列虛擬節點和一個非線性節點形成一個循環。與具有高網絡自由度的空間分布式RC相比，這類蓄水池是固定的，因此一般在更傳統的光通信硬件中運用較多。半導體光放大器具有豐富的內部動態,且其增益容易飽和的特點可以為神經網絡提供非線性層。

在研究全光類蓄水池神經網絡的同時，科研工作者也在關注將光和電相結合，以設計可應用于不同場合的光電蓄水池神經網絡，綜述中將光電類蓄水池神經網絡分為兩類：片上蓄水池神經網絡和自由空間蓄水池空間網絡。目前，基于光電系統的蓄水池模型在語音識別、混沌時間預測和雷達信號預測等領域得到了廣泛的應用。目前的光電蓄水池神經網絡處理速度已經實現了兆赫茲的速度，并在可預見的未來，具有達到千兆赫茲速度的潛力。

片上蓄水池，顧名思義，就是結合硬件芯片模擬蓄水池神經網絡。基于硅基底的片上蓄水池神經網絡在2008年就被比利時根特大學的Vandoorne等人提出，整個網絡模型由波導、光學組合器和光分波器三部分組成。研究人員發現，通過標準的快速光電二極管可以在片上蓄水池神經網絡中可以進行檢測，并解決非線性問題。然而，由于這類系統依賴于探測器中的光電轉換，因此它不能進行全光學操作。

在設計片上蓄水池神經網絡時，經常會考慮使用無源組件，其優點在于帶寬較寬，甚至可以同步地將多個波長發送到系統中，從而實現頻率復用。但其缺點是隨著芯片擴展到更多的節點，光損耗可能相當大，很難實現所有節點的并行測量。在無源組件網絡中，輸入信號時鐘的頻率和內存時間尺度依賴于分離節點之間的傳播延遲，這將要求高達數百個Gbit/s的高注入頻率。

基于硬件的蓄水池神經網絡的輸入和輸出層通常是通過計算機離線仿真的，為了在未來可以開發更為復雜的蓄水池計算機，目前科研人員已經開始嘗試通過硬件模擬實現三層蓄水池神經網絡包括蓄水池部分。如下圖就是一個使用硬件模擬蓄水池計算機的案例，其輸入層可以通過具有兩種不同正弦頻率的掩模來實現。輸出層分別通過馬赫-澤德調制器(MZM)獲得光蓄水池中的信號和 RLC濾波器對平衡光電二極管的輸出信號進行濾波，整個模擬系統的輸出通過蓄水池計算機的終端輸出。

圖9.硬件模擬三層蓄水池神經網絡圖

實現光電類蓄水池神經網絡也可以通過光的自由空間傳播實現，比如通過空間可擴展的數字微鏡器件和空間光調制器實現蓄水池神經網絡。2018年，Bueno等人證明了包含空間光調制器、衍射光學元件和相機的光學系統可以存儲多達2500個衍射耦合光子節點的網絡。Dong等人通過數字微鏡器二元編碼輸入光強信息并調控蓄水池。后來，他們應用相同的方法，使用純相位空間光調制器獲得了一個大規模的光蓄水池網絡。利用空間相位分布，蓄水池網絡可以引入輸入和蓄水池信息。2020年，Rafayelyan等人的科研成果表明，強散射介質在光網絡中起著關鍵作用，以保證眾多光子節點之間的隨機耦合權重以及網絡中的并行處理。多維大型混沌系統的預測任務已經在其大型系統中得到了驗證，其具有較高的預測精度和相對較高的速度以及較低的功耗。該網絡已經證明了處理更大數據集的潛在可擴展性能力。

隨著納米光子學和蓄水池神經網絡的復合結構的出現，一種新的光學信息處理框架正在引領這一領域，其相對于傳統方法具有低功耗和超快計算速度的優點。超高速光學非線性和超低功耗光學器件也可能為光子蓄水池帶來光明的未來，提升蓄水池在速度和功率效率方面的性能。此外，具有多節點蓄水池的光子芯片的可擴展性還需要在未來進一步研究。

3. 脈沖神經網絡

脈沖神經網絡(SNNs)被認為是生物學和神經科學的交叉學科，其結構包括前饋神經網絡結構和遞歸神經網絡結構。與前饋神經網絡和遞歸神經網絡相比，SNNs在神經形態計算中得到了更廣泛的應用。除了meta模型外，SNNs中的神經元只有在其膜電位達到閾值時才會被激活。當一個神經元被激活時，一個信號被產生并傳遞來改變級聯神經元的膜電位。在SNNs中，神經元當前的激活水平通常被建模為一個微分方程。激活水平在刺激峰值到達后上升，并持續一段時間，然后逐漸下降。

SNNs增強了處理時空數據的能力。一方面，SNNs中的神經元只與附近的神經元連接，并進行單獨處理，以增強處理空間信息的能力。另一方面，由于訓練依賴于脈沖間隔，因此可以從脈沖的時間信息中檢索到二進制代碼中丟失的信息，從而提高了處理時間信息的能力。事實表明，脈沖神經元是傳統人工神經元更好的計算單元。然而，由于SNNs的訓練和物理實施方面的困難，它們尚未得到廣泛應用。

大多數關于SNNs的研究工作仍然集中在理論分析和簡單結構的驗證上，包括SNNs的訓練算法和光學硬件實現。

2016年，普林斯頓大學的Prucnal研究小組提出了一種基于可激活的石墨烯光纖激光器的脈沖處理系統。該系統包含一個摻鉺光纖（增益部分），一個石墨烯飽和吸收器（損耗部分），一個980nm吸收器作為泵浦源，以及一個1480nm激光器，攜帶脈沖激勵信號來刺激系統產生觸發脈沖神經元反應。2018年，該研究團隊提出了一種基于分布式反饋(DFB)激光結構的神經形態光子集成電路。此外，研究小組還討論了構建可編程和可級聯光子神經網絡的可行方案，包括傳播-加權(B&W)網絡原型和相干光學架構。其中，B&W網絡原型是一種能夠支持大規模光子脈沖神經元并行互連的網絡架構。SNNs的訓練方法主要遵循監督學習算法，包括：①SpikeProp算法,它利用梯度下降，通常用于多層前饋人工神經網絡；②Tempotron 算法，利用脈沖序列輸出與預期序列之間的差值來改變網絡的權重；③基于突觸等質體的算法，如赫邊學習算法;④遠程監督學習算法，如Resume算法；和⑤基于脈沖序列卷積的監督學習算法，如SPAN算法和PSD算法。

2019年，Feldmann等人提出了另一種基于相變材料的脈沖神經網絡方案，并采用該方案對光子神經元進行非線性變換。光控相變是一種工作狀態，晶體和非晶材料之間的工作狀態由輸入光功率控制。當輸入的光功率低于閾值時，相變材料處于晶體狀態，并吸收大量的光強。當輸入光功率高于閾值時，相變材料處于非晶態，大部分光功強可以通過閾值。因此，將材料集成到光傳輸介質中可以根據輸入的光強來改變材料的光透導率。這樣，它就能夠作為光學神經元的激活函數。

與TrueNorth、神經網格和SpiNNaker等電子實現的SNN相比，光子實現的SNN利用光處理信息，有更高的帶寬和數據吞吐量以及更低的延遲。很多研究成果表明，使用硅/III-V混合平臺的光電SNN可達到20GHz的處理速率，比純電子SNN高出6個數量級以上。由于能量主要由激光源消耗，無源濾波器損耗的電流很低，硅/III-V混合平臺的能量效率為0.26pJ，大約比電子神經網絡高3個數量級，比SpiNNaker高6個數量級以上。通過使用優化的亞波長結構（如光子晶體）和波長多路復用，可以進一步提高神經形態光子平臺的計算性能。

展望

雖然光計算在不同的AI模型中得到了廣泛的應用，但也面臨著各種挑戰，實際應用中尚未獲得明顯優于傳統電子處理器的性能證明。例如：如何在響應時間短、對探測光功耗要求低、數據并行的情況下獲得比較強的光學非線性特性？如何在不同架構中優化非線性表征？如何在低功耗的芯片上實現高速大規模可重構計算？如何將不同的光學器件集成到單個芯片上，特別是與外部器件連接?如何為不同的任務設計具有自動化設計軟件的光學神經網絡？盡管未來仍有許多問題有待解決，但目前的光學模擬計算技術在速度、數據并行和功耗方面已經表現出了光技術的獨特潛力。

下一步，作者認為需要進一步努力克服光計算的關鍵缺陷，并在不同的實際應用中展示光學計算相對于電子學計算的優越性。如上所述，不同的架構可能適合于專門的特定任務。光學計算中對自由空間中部分相干光場的傳播和調制模型的建立有助于計算機視覺中對數據的高速處理。由于自動駕駛等自然場景中的大部分光線是非相干的，目前相干的衍射神經網絡模型難以發揮作用。由于非線性特性在深度神經網絡中起著至關重要的作用，因此，采用低功耗、低延遲的光學方式實現非線性激活函數可以顯著提升當前神經網絡的精度。存儲和訪問是擴展神經形態處理器所需的基礎技術，構建具有極快讀寫速度的光學隨機存儲器一直是一個挑戰，這為光計算和存儲的特殊材料的發展提供了巨大機遇。盡管使用了龐大的系統，但自由空間的光學計算可能會加速不需要便攜式系統的各種數據中心的云計算。我們期待更先進的具有更高的迭代速度（高達MHz和千兆像素數）的空間光調制器出現。高速和低功耗光電轉換在目前的過渡階段變得越來越重要，其在實際應用中需要光子學和電子學的發展。現狀表明，在不久的將來，光學計算會有越來越多的突破。

此綜述回顧了近些年光學計算在用于實現人工智能專用硬件方面的發展。主要介紹了幾個在不同架構下具有代表性和獨特優勢的光學模擬人工智能模型。盡管大多數模型仍處于概念驗證的初級階段，但我們預期這些架構在未來實際應用中將在計算速度或功耗方面取得數量級的改進。我們相信，隨著光子學、電子學、材料學、制造學、計算機科學和生物學等不同領域研究者的不斷努力，作為通向全光計算機的過渡階段，使用光電混合計算機來加速人工智能訓練和推理將很快成為現實。

論文信息：

Please cite this article as: J. Wu, X. Lin, Y. Guo, J. Liu, L. Fang, S. Jiao, Q. Dai, Analog Optical Computing forArtificial Intelligence, Engineering (2021)

https://doi.org/10.1016/j.eng.2021.06.021

監制 | 趙陽

編輯 | 趙唯

歡迎課題組投稿——新聞稿

轉載/合作/課題組投稿，微信：447882024

帶您每天讀1篇文獻！加入>Light讀書會