矩阵计算作为科学和工程领域应用最广泛的信息处理工具之一,在现代信号处理和人工智能算法中占用了大部分计算开销。光子加速器能够在光域中加速特定类别的计算,如矩阵乘法运算,以满足对计算速度和能效日益增长的需求。
光子集成器件兼具超大带宽和超低功耗等优势,并且光子具有多个物理维度,提供天然的并行计算能力,这使得光子计算成为“后摩尔时代”中高通量、低延迟、计算密集型矩阵信息处理中极具竞争力的候选方案。
近年来,光子矩阵乘法得到了迅速的发展,并被广泛应用于光学信号处理和光学神经网络等光子加速器领域,基于矩阵乘法计算的大量应用展现了光子加速器领域巨大的潜力和机会。
近日《Light: Science & Applications》以“Photonic matrix multiplication lights up photonic accelerator and beyond”为题,发表了矩阵乘法光子加速器主题的综述评论文章。
该综述文章首先介绍了光子矩阵乘法的实现方法,进而总结了其发展时间线和关键进展,目前主流的光子矩阵-矢量乘法主要包含三类,即基于平面光转换(PLC)的矩阵计算,基于马赫-曾德尔干涉仪(MZI)网络的矩阵计算,和基于波分复用(WDM)的矩阵计算。论文详细分析了三类矩阵乘法运算对应的硬件特点和优缺点,并按照这三类计算架构总结了自1970年以来的光学矩阵运算的发展历史。
光子矩阵乘法运算的发展历史
光子矩阵乘法网络本身可以用作光学信号处理的通用线性光子回路。本文从三类矩阵乘法分别介绍了其强大的应用能力,具体应用包括通用的模式分类器、空间成像加密、MZI网格功能的自动配置、模式处理器、光学模式上传/下载/复用解复用以及信道解扰、可编程脉冲整形、微环权重库以及信号分析等。
本文对光学矩阵计算的发展趋势进行了展望,也指出了目前光计算存在的一些挑战。在全光人工神经网络成熟之前,光电混合人工智能计算仍是一种更实用、更有竞争力的深层人工神经网络的候选架构。因此,开发高效、专用的光电混合人工智能硬件芯片系统是光子人工智能的核心研究路径之一。未来可基于光子矩阵计算和细粒度电子控制实现加速器底层硬件,并开发适用于该硬件的各种算法,最后在用户层可以灵活地调用这些算法实现各种加速应用,例如信道解扰器、图像识别等。
光电混合计算AI芯片架构
华中科技大学董建绩教授为论文通讯作者,周海龙副教授为论文第一作者。论文合作作者还包括香港中文大学黄超然博士、曦智科技沈亦晨博士,上海理工大学张启明教授和顾敏院士,浙江大学钱超博士、陈红胜教授和阮志超教授,以及华中科技大学成骏伟博士、董文婵博士和张新亮教授。