受FPGA启发，中国团队公布新型光学芯片

据Phy报道，来自中国的研究人员开发了一种易于使用的光学芯片，可以自行配置以实现各种功能。他们所实现的正实值矩阵计算使该芯片有可能用于需要光学神经网络的应用。光学神经网络可用于各种数据量大的任务，例如图像分类、手势解释和语音识别。

其实在之前，行业内已经开发出可以在制造后重新配置以执行不同功能的光子集成电路。然而，它们往往难以配置，因为用户需要了解芯片的内部结构和原理并单独调整其基本单元。

来自中国华中科技大学研究团队的负责人董建吉（音译）表示：“我们的新芯片可以被视为一个黑匣子，这意味着用户不需要了解其内部结构即可改变其功能。” “他们只需要设定一个训练目标，并且通过计算机控制，芯片将根据输入和输出进行自我配置以实现所需的功能。”

在《光学材料快报》杂志上，这些研究人员描述了他们的新芯片，该芯片基于波导光学元件网络，称为马赫-曾德干涉仪（MZIs），以四边形图案排列。研究人员表明，该芯片可以自我配置以执行光学路由、低损耗光能量分裂以及用于创建神经网络的矩阵计算。

“未来，我们预计将实现更大规模的片上可编程波导网络，”董说。“通过进一步的开发，实现与现场可编程门阵列（FPGA）相当的光学功能是可能的，现场可编程门阵列（FPGA）是一种电气集成电路，在制造后可以重新编程以执行任何所需的应用。”

片上四边形 MZI 网络对于涉及光神经网络的应用可能很有用，这些网络是由互连节点的网络创建的。为了有效地使用光学神经网络，必须使用已知数据来训练网络以确定每对节点之间的权重——这是一项涉及矩阵乘法的任务。

“片上矩阵运算通常是使用前向传播 MZI 网络或微环阵列来实现的，”Dong 说。“受到电子领域 FPGA 的启发，我们希望使用 MZI 拓扑网络结构，允许矩阵运算的前馈和反馈传播。”

他们开发的芯片可以通过调整电极电压来重新配置，从而在四边形网络中创建各种光传播路径。研究人员集成了梯度下降算法来加速成本函数的收敛速度，该函数通过每次训练迭代来衡量网络的准确性。

每次训练迭代后，芯片都会更新所有可调电极的电压，而不是单个变量的值，这进一步提高了成本函数的收敛速度。这些改进有助于加快训练过程。

研究人员表明，该芯片可用于执行所谓的正实数矩阵计算，首次验证了其在四边形 MZI 网络中的可行性。芯片的训练结果与目标矩阵之间的误差很小。

他们还演示了具有高消光比的光学路由（正实数矩阵计算的特殊情况）。光路由可以在数据中心的处理器和内存单元等设备之间有效地路由光信号。与电气方法相比，光学方法有助于在处理大量信号时 减少延迟和功耗。

此外，该芯片还用于低损耗光功率分离，将单个输入光分离成在其输出端口具有成比例能量的光束。对11个测试集的结果进行统计分析表明，分裂过程中的能量损失保持在1.16 dB以下。低损耗光能量分裂可用于将信号发送到芯片上的不同组件，例如处理器和光电探测器。这有利于同时处理输入信号。

研究人员目前正在努力改进该芯片，以实现更多的矩阵运算功能。他们还想探索将其用于光学神经网络之外的矩阵计算的其他应用。