新型光学类脑芯片可每秒处理20亿量级的图像

研究配图 - 1：传统光-电子深度神经网络（来自：UPENN）

深度神经网络是这套用于图像分类的片上光子芯片的重要基础，作为一套以大脑处理信息方式为模型的系统，这些网络由像神经元一样相互连接的节点组成。

研究配图 - 2：光-电子神经元的实施示例

然后通过投喂大量数据集展开训练，以让神经网络习得类似于生物大脑的思考方式 —— 比如用于分辨图像中的对象、或语音中的单词。

研究配图 - 3：光子分类器的结构示例

随着时间的推移，神经网络还会在相关工作任务上渐入佳境。不过宾夕法尼亚大学的这项研究，却并不以电信号的形式 —— 而是以光的形式 —— 来处理信息。

研究配图 - 4：图像分类演示

通过使用光纤作为其神经元、并堆叠于多个层中，每层均可专注于特定类型的分类工作。测试期间，研究团队使用了一枚大小仅 9.3m㎡ 的芯片。

扩展 图 1 - 图像形成与测量设置示意

在开展了相关数据集的训练后，该芯片便可对包含两种字符集的图像进行分类，且准确率高达 93.8% 。而对四种类型的图像分类工作，其准确率亦有 89.8% 。

扩展 图 2 - PDNN 芯片训练与阈值计算

最令人印象深刻的，莫过于该芯片能够在 0.57 ns 内对每个字符进行分类 —— 意味其每秒可处理 17.5 亿张图像。

扩展 图 3 - 传播时间测量

研究团队表示，相较于现代计算机芯片的这一速度优势，源于芯片将信息换成光来处理的能力。

扩展 图 4 - 与现有技术的比较

论文一作 Firooz Aflatouni 表示，该芯片通过所谓的“传播计算”（computation-by-propagation）来处理信息，且他们巧妙地跳过了光-电信号的转换步骤。

扩展 图 5 - 可扩展性与计算时间的增强方法

与基于时钟的系统不同，传播计算是在光通过芯片传播时发生的、而这款片上芯片能够直接读取和处理光信号，使得这项技术的处理速度能够远胜于过往。

扩展 图 6 - 微环对齐算法和表征

这项技术的另一项优点，是不需要存储正在处理的信息，因而无需将数据发送到内存 —— 并且根本不需要该组件 —— 以节省大量时间和保障数据安全（防止任何形式的潜在泄露）。

扩展 图 7 - 电子控制电路的框图

下一步，宾夕法尼亚大学研究团队计划扩大芯片规模，并对该技术加以适当的调整，以使之能够处理其它类型的数据。

有关这项研究的详情，已经发表在 2022 年 6 月 1 号出版的《自然》（Nature）期刊上，原标题为《An on-chip photonic deep neural network for image classification》。