近日，上海交通大學(xué)電子信息與電氣工程學(xué)院電子工程系區(qū)域光纖通信網(wǎng)與新型光通信系統(tǒng)國家重點實驗室鄒衛(wèi)文教授團隊在光學(xué)智能計算領(lǐng)域取得突破性進展，研究成果以O(shè)ptical coherent dot-product chip for sophisticated deep learning regression（面向復(fù)雜深度學(xué)習(xí)回歸任務(wù)的光學(xué)相干點積核芯片）為題在光學(xué)領(lǐng)域權(quán)威期刊Light: Science & Applications上發(fā)表。該工作成功研制了一款光學(xué)相干點積核計算芯片，具有運行復(fù)雜神經(jīng)網(wǎng)絡(luò)的能力，率先在光學(xué)智能計算芯片上實現(xiàn)了高精度的醫(yī)學(xué)圖像重構(gòu)任務(wù)。鄒衛(wèi)文教授為該論文的通訊作者，博士研究生徐紹夫為該論文的第一作者。 

隨著智能應(yīng)用的普及，以神經(jīng)網(wǎng)絡(luò)為代表的智能算法復(fù)雜度呈現(xiàn)爆發(fā)性增長，龐大的算力需求給現(xiàn)有的數(shù)字處理器帶來了極大的壓力，亟待開辟新型計算模式來緩解摩爾定律增速與算力需求增速之間的矛盾關(guān)系。近年來，光學(xué)智能計算技術(shù)受到國內(nèi)外學(xué)術(shù)界廣泛關(guān)注。光學(xué)系統(tǒng)的計算時鐘頻率可以超過數(shù)十GHz（109 Hz），同時具備靜態(tài)無功耗的特性，被認(rèn)為是實現(xiàn)下一代高速低功耗智能計算加速器的潛在途徑。學(xué)術(shù)界報道的多種光學(xué)智能計算方案雖成功驗證了高速低功耗計算的能力，但所能實現(xiàn)的任務(wù)均是簡單的分類任務(wù)，與實際應(yīng)用在復(fù)雜度上存在較大差距。 

2016年末，鄒衛(wèi)文教授團隊著力開展智能光學(xué)信號處理技術(shù)研究，率先驗證了智能算法可以有效提升微波光子信號處理系統(tǒng)的性能，相關(guān)成果發(fā)表于2019年Light: Science & Applications期刊上（論文鏈接：https://www.nature.com/articles/s41377-019-0176-4），并受到微波光子學(xué)領(lǐng)域的廣泛關(guān)注。在此基礎(chǔ)上，團隊瞄準(zhǔn)利用光學(xué)系統(tǒng)實現(xiàn)高速高效智能計算這一目標(biāo)，先后提出光學(xué)點積核、光學(xué)卷積分塊技術(shù)等新型系統(tǒng)架構(gòu)，分別解決了算法執(zhí)行規(guī)模與輸入端口能量效率等問題，為光學(xué)智能計算芯片的研制與應(yīng)用奠定了原理基礎(chǔ)。 

光學(xué)相干點積核芯片及其封裝模塊

 
此次，鄒衛(wèi)文教授團隊與國內(nèi)合作單位（北京大學(xué)、中科院半導(dǎo)體所）設(shè)計并研制一款光學(xué)相干點積核計算芯片。該芯片突破了陣列化光學(xué)器件的相干調(diào)控關(guān)鍵技術(shù)，成功地實現(xiàn)了實數(shù)域計算。借助于新型片上反饋控制算法，大幅提升了光學(xué)計算的數(shù)值精度。與此前的工作相比，該芯片在數(shù)域完整度與數(shù)值精度上的突破，使其具備了執(zhí)行復(fù)雜智能任務(wù)的能力。 

光學(xué)相干點積核芯片重構(gòu)結(jié)果與計算機結(jié)果的對比

 
本研究中，鄒衛(wèi)文教授團隊利用醫(yī)學(xué)圖像重構(gòu)任務(wù)作為驗證，在芯片上成功地運行了AUTOMAP（用于通用圖像重構(gòu)）神經(jīng)網(wǎng)絡(luò)模型，圖像重構(gòu)的質(zhì)量接近了32位計算機的理想水平。該工作不僅推動光學(xué)神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域攻克實際應(yīng)用難題，更為下一代智能計算技術(shù)提供了新思路。后續(xù)進一步提高芯片的器件集成規(guī)模，有望實現(xiàn)更高速、更低功耗的光學(xué)神經(jīng)網(wǎng)絡(luò)處理器，緩解智能算力需求劇增與傳統(tǒng)硬件算力受限的矛盾。  該工作由上海交通大學(xué)、北京大學(xué)與中科院半導(dǎo)體所合作完成。上海交通大學(xué)為第一完成單位，博士研究生徐紹夫為第一作者，鄒衛(wèi)文教授為通訊作者。 
 
該工作受國家重點研發(fā)計劃（Program No. 2019YFB2203700）與國家自然科學(xué)基金項目（Grant No. 61822508）支持。 
 
Shaofu Xu, Jing Wang, Haowen Shu, Zhike Zhang, Sicheng Yi, Bowen Bai, Xingjun Wang, Jianguo Liu, and Weiwen Zou, Optical coherent dot-product chip for sophisticated deep learning regression, Light: Science & Applications, vol. 10, 221, 2021. Doi: 10.1038/s41377-021-00666-8. 

相關(guān)鏈接：http://www.ytqe.com.cn/show/367.html