🔬 optics

Arbitrary control over multimode wave propagation for machine learning

本文提出了一种具有约 $10^4$ 个空间自由度的二维可编程波导，该波导能够实现对多模波传播的任意控制，以执行单次通过式神经网络推理，同时与传统的离散元件架构相比，在器件面积效率和扩展性方面提供了显著的改进。

原作者： Tatsuhiro Onodera, Martin M. Stein, Benjamin A. Ash, Mandar M. Sohoni, Melissa Bosch, Ryotatsu Yanagimoto, Marc Jankowski, Timothy P. McKenna, Tianyu Wang, Gennady Shvets, Maxim R. Shcherbakov, Logan

发布于 2026-06-15

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Tatsuhiro Onodera, Martin M. Stein, Benjamin A. Ash, Mandar M. Sohoni, Melissa Bosch, Ryotatsu Yanagimoto, Marc Jankowski, Timothy P. McKenna, Tianyu Wang, Gennady Shvets, Maxim R. Shcherbakov, Logan G. Wright, Peter L. McMahon

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你正在尝试解决一个复杂的谜题，比如识别手写数字或辨别 spoken 元音。通常，计算机通过将数据传递给一长串微小的、独立的齿轮和杠杆（离散组件）来完成这项工作。每个齿轮负责一个小任务，数据必须从一个传到下一个。随着谜题规模的增大，这会占用大量的空间并消耗大量能量。

这些研究人员构建了一种完全不同的机器。他们没有使用一排独立的齿轮，而是创建了一个单一的、巨大的、可编程的“玻璃片”（波导），它就像一个智能的、形状可变的透镜。

以下是他们的发明是如何运作的，通过简单的概念进行分解：

1. “智能片” vs. “齿轮组”

把传统的计算机芯片想象成一列由独立车厢组成的火车。要从 A 点到达 B 点，货物（数据）必须从一节车厢跳到另一节车厢。这既笨重又缓慢。

这个新设备就像是一个巨大的蹦床。与其在车厢之间跳跃，不如把一个球（一束光）扔到蹦床上。通过改变蹦床表面的张力和形状，你可以让球按照任何特定的模式反弹。整个表面同时协作，引导球到达目的地。

2. 他们是如何“塑造”玻璃的？

你不能像雕刻雕像那样直接雕刻这块玻璃；一旦雕刻完成，就无法更改了。研究人员需要一种能够随时改变玻璃形状的方法。

他们使用了一个涉及光和电的巧妙技巧：

设置： 他们有一块特殊的玻璃片（铌酸锂），夹在电极之间。
控制： 他们从上方向玻璃片投射一层绿光图案，就像投影仪显示图像一样。
魔力： 绿光照射到的地方，玻璃片会变得具有轻微的导电性（类似于导线）。这改变了玻璃内部的电场。由于这种玻璃的一种特殊属性，改变电场会改变其折射率（即它弯曲光线的方式）。
结果： 投影的绿光图案会瞬间“雕刻”出玻璃内部的隐形景观。如果你投影一个“Y”字形，玻璃就会变成一条 Y 形的光路。如果你投影一个复杂的迷宫，玻璃就会变成一个复杂的迷宫。

他们可以每秒改变这种“雕刻”图案约 3 次，从而实现对机器的即时重编程。

3. 用光进行数学运算

这台机器的目标是执行机器学习（教计算机识别模式）。

输入： 他们获取数据（例如手写“7”的形状），并将数据转化为进入玻璃片的模式光束。
处理： 当光穿过玻璃片时，它会从他们创造的“雕刻”景观中反弹。光波会相互干涉，以复杂的方式相互混合和匹配。这种混合过程就是数学计算过程。
输出： 光从另一侧穿出。我们测量不同位置的光亮度。最亮的地方会告诉我们答案（例如：“那是一个 7！”）。

他们在两个任务上进行了测试：

元音发音： 根据声音频率识别所说的元音。他们的正确率达到了 96%。
手写数字 (MNIST)： 识别 0 到 9 的数字。他们的正确率达到了 86%。

4. 为什么这意义重大？（“平方根”惊喜）

通常，如果你想制造一台能够处理越来越大的谜题（更多数据）的计算机，你必须让机器变得大得多。如果你将复杂度增加一倍，你通常需要四倍的空间（平方关系）。

研究人员发现，使用他们的“智能片”时，情况非常令人惊讶。因为他们是利用整个平面进行计算（多模干涉），而不是使用一排齿轮，所以机器的大小只需要按复杂度的平方根增长。

类比： 如果你想为 100 辆汽车建造一座桥，传统设计可能需要 100 个单位长。而他们的设计表明，你可能只需要 10 个单位长（因为 100 的平方根是 10）就能完成同样的工作。

这意味着，对于非常庞大的任务，他们的机器可能比目前的各种光学计算机更小、更节能。

总结

该团队构建了一个可重编程的光学处理器，它使用单片玻璃进行复杂的数学运算。他们没有使用成千上万个微小的独立部件，而是使用投影仪直接将数学问题“画”在玻璃上。然后，光在穿过玻璃的过程中解决问题。他们证明了这种方法在识别声音和数字方面是有效的，并且他们的数学推导表明，这种方法未来可能会带来更小、更快、更节能的计算机。

技术摘要：多模波传播的任意控制用于机器学习

问题陈述

深度神经网络（DNN）正日益受到与其规模指数级增长相关的能量成本的限制，特别是占据其计算负载主导地位的矩阵-向量乘法（MVM）。虽然光学神经网络（ONN）为高能效的 MVM 提供了一种极具前景的替代方案，但目前的集成光子方法面临着显著的可扩展性限制。主流范式依赖于由单模波导连接的离散可编程组件网络（例如 Mach–Zehnder 干涉仪、微环谐振器）。这种架构存在两个主要瓶颈：

路由复杂度： 为实现 $N \times N$ 矩阵而需要在芯片周缘集成的 $O(N^2)$ 个电子控制线，限制了可控自由度的数量仅为数百个。
空间效率低下： 由于波长限制和可编程性较弱，单个光学组件体积庞大，且大量的芯片面积被互连区域所消耗。

因此，现有的芯片支持的向量维度（ $N$ ）远低于光学能够展示出明显优于电子学能效优势所需的阈值（ $N \gtrsim 1000$ ）。本研究解决的核心挑战是如何创建一个具有可编程折射率分布 $n(x, z)$ 的光子芯片，既能避免电子布线的集成复杂性，又能实现对波传播的任意控制。

方法论

作者引入并演示了一种二维可编程波导，该器件将整个芯片视为一个连续的可重构基底，而非离散元件的集合。

器件架构与工作原理

该器件由位于导电硅衬底（作为接地电极）和金电极之间的铌酸锂（LiNbO $_3$ ）平板波导组成。在波导顶部沉积了一层光电导层（富硅氮化硅）。

折射率调制： 器件利用光电导增益来诱导空间变化的折射率变化 $\Delta n(x, z)$ 。在电极之间施加一个振荡偏置电压（高达 1000 V）。当图案化的光投影照射到光电导层时，其阻抗局部降低，从而增加了下方 LiNbO $_3$ 波导内的电场。
电光效应： 电场的增加通过 LiNbO $_3$ 中的 Pockels 效应引起局部折射率的变化。
可编程性： 通过将任意光图案投影到器件上，作者可以塑造约 $10^4$ 个空间自由度的折射率分布（在 $9 \text{ mm} \times 1 \text{ mm}$ 区域内，分辨率为 $9 \mu\text{m} \times 9 \mu\text{m}$ ）。系统以 3 Hz 的速率更新整个分布。

训练与机器学习实现

为了执行机器学习任务，该器件经过训练，将输入光学场映射到对应于分类标签的输出强度分布。

编码： 输入数据向量在输入端面被幅度编码为空间高斯模态。
传播： 光在可编程波导中传播，受旁轴波方程（论文中的 Eq. 1）支配，其中折射率轮廓充当可训练权重。
读取： 输出强度被测量并分箱到对应于类别标签的空间区域。
训练算法： 作者采用了物理感知训练，这是一种混合式的原位-数字（in-situ–in-silico）反向传播算法。前向传递由器件物理执行，而反向传递（梯度计算）则使用可微的数字波传播模型进行计算。该模型通过数据驱动参数进行了优化，以补偿实验中的非理想特性，从而在庞大的参数量下实现高效训练。

核心贡献

演示了二维可编程波导： 作者成功制造并操作了一个拥有约 10,000 个可编程空间自由度的器件，能够通过并行电光调制实现任意折射率塑造。
高维神经网络推理： 该器件在基准任务上执行了神经网络推理，其输入向量最高可达 49 维（MNIST 手写数字）和 12 维（元音分类），且在单次通过过程中无需对线性变换进行数字预处理或后处理。
扩展性分析： 论文提供了理论和数值证据，表明二维可编程波导在器件长度的缩放律上优于离散组件架构。传统的做法通常要求器件长度随 $N$ （或 $N^2$ 面积）缩放，而作者认为对于多模干涉，在给定的折射率调制强度下，所需长度随 $\sqrt{N}$ 缩放。

实验结果

元音分类： 该器件经过训练，用于从 12 维 formant 频率输入向量中分类 7 个说话元音。经过 300 个 epoch（约 1 小时）后，系统实现了 96% 的测试准确率。训练后的折射率轮廓从均匀状态演变为类似于逆向设计光子结构的复杂图案。
MNIST 手写数字分类： 该器件经过训练，将下采样的 7 $\times$ 7 MNIST 图像（49 维输入）分类为 10 个类别。经过 10 个 epoch（约 10 小时）后，系统实现了 86% 的测试准确率。这一结果与一个具有 $49 \times 10$ 矩阵的单层数字神经网络（在相同的下采样任务上达到 90%）的表现相当，证明了复杂的多模波传播可以有效地执行高维线性变换。
器件性能： 实现的最大折射率调制约为 $\Delta n \approx 10^{-3}$ 。该器件表现出低传播损耗（< 1 dB/cm），且在整个有效区域内的电功率消耗小于 1 mW。

重要性与声明

论文声称这项工作是克服当前集成光子神经网络空间和可扩展性限制的重要一步。

空间效率： 通过用连续的可编程基底取代离散组件，该器件实现了更高效的空间架构。作者指出，其原型支持的输入维度大于以往任何基于离散组件的片上光学神经网络。
能效潜力： 该工作强调了一条理论路径，即在 $N \approx 1000$ 时达到“盈亏平衡点”，届时光学 MVM 的能效将超过电子学。演示的 $\sqrt{N}$ 长度缩放表明，二维可编程波导可以实现维度超过此阈值的全光学矩阵-向量乘法器，从而使混合神经网络架构（模拟光学执行线性运算，电子学执行非线性运算）在能量上具有竞争力。
可重构性： 与制造后即固定的逆向设计器件不同，该器件是完全可重构的。作者建议这种能力可以从机器学习扩展到求解积分方程、组合优化，以及作为研究连续体中束缚态和拓扑光子的可重构平台。

作者对当前的局限性保持谦逊，承认实验原型运行在光在横向方向上实际上处于非导向状态的机制下，并且目前的 $\Delta n$ 和更新速率受限于材料特性和光电导层设计。然而，他们认为所演示的任意多模控制原理为光学计算开辟了新的途径。