人工智能和神经形态计算光子学

科学家们对下一步开发快速、节能、未来使用光而不是电子来处理和存储信息的计算系统给出了一个令人着迷的新见解——将直接受人脑功能启发的硬件结合起来。英国克塞特大学（University of Exeter）的研究人员对光子技术代替传统电子技术的计算系统（集成光子神经形态系统）的最新进展、当前和未来的挑进行了讨论，并概述了应对这些挑战的科学和技术需求。相关研究发表在《Nature Photonics》上。

图1，神经形态光子处理器结构。来源，原文。

现代计算机是基于冯·诺依曼体系结构的，在这种体系结构中，快速的中央处理器（CPU）与慢得多的程序和数据存储器在物理上分离开来。这意味着计算速度受到限制，能量被浪费，因为需要通过带宽有限、能源效率低下的电互连（von Neumann瓶颈）不断地在内存和处理器之间传输数据。因此，据估计，现代计算系统的50%以上的能力仅仅是浪费在数据的移动上。

随着光子集成平台上光电组件数量的激增，光子计算的研究已蓬勃发展，为新型信息处理机器提供了框架，使超快速人工神经网络成为可能。神经形态光子学提供亚纳秒级的潜伏时间，为扩展人工智能领域提供了补充机会。这种在硬件上运行的算法有潜力满足医疗诊断、电信以及高性能和科学计算等领域对机器学习和人工智能不断增长的需求。未来可扩展的神经形态光子处理器将需要将电子产品与潜在的混合电子和光学存储架构紧密集成，并利用数字或模拟领域的存储类型（易失性与非易失性）在应用程序上进行计算。

为了明确该领域的挑战及发展的技术需求，其重点是解决世界上最紧迫的计算问题之一的潜在解决方案——如何开发计算技术，以快速和节能的方式处理这些数据。

显然，人们需要一种新的方法——一种可以将计算和内存的核心信息处理任务融合在一起的方法，一种可以直接在硬件中结合学习、适应和进化的能力，一个解决了能源消耗和速度限制的电气互连。光子神经形态计算就是这样一种方法，这里信号是用光而不是电子来传递和处理的，这样就可以获得更高的带宽（处理器速度），并大大减少能量损失。

研究人员试图通过开发直接模拟大脑神经元和突触基本功能的设备，使计算硬件本身与生物处理系统（大脑）同构，然后将它们连接在网络中，从而提供快速、并行的，人工智能和机器学习应用的自适应处理。他们回顾了集成光子神经形态系统的最新进展，讨论了当前的研究和未来的挑战，并概述了这些挑战的解决方案及所需的科学和技术。该论述讨论了模拟互连（光学领域通常擅长的领域）和实现神经元非线性的方法（光学领域通常面临困难的领域）；调查了不同的神经网络及其对硬件实施的影响及将神经形态光子硬件扩展到实际系统所需的关键技术，包括有源片上电子设备和光源。此外，研究人员重点介绍了一些新兴的研究方向，包括非易失性存储器、光子数模转换器（DAC）和频率梳源以提高功能性和效率。

该项研究为计算光子学在机器学习方向的应用提供了参考方向，对计算光子学在促进机器学习在快速计算方向的发展具有重要意义。