🔬 applied physics

Photonic neuromorphic processing with coupled spiking silicon microrings

本文证明了，一种紧凑、被动的基于 SCISSOR 的光子节点，通过利用耦合的脉冲和热双稳态性，在基准数据集上实现了低功耗的高性能分类，可作为可扩展神经形态光子边缘计算系统的有效构建模块。

原作者： Giovanni Donati, Stefano Biasi, Lorenzo Pavesi, Antonio Hurtado

发布于 2026-02-06

📖 1 分钟阅读☕ 轻松阅读

原作者： Giovanni Donati, Stefano Biasi, Lorenzo Pavesi, Antonio Hurtado

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

核心理念：芯片上的微型光学大脑

想象你有一个庞大的数据库（比如花朵的照片，或是岩石与水雷的声呐记录）需要快速进行分类。通常情况下，计算机通过将光转换为电进行处理，然后再转换回光来进行操作。这种方式速度慢且耗能高。

这篇论文提出了一种不同的方法：让光本身进行思考。

研究人员制造了一个由硅和光组成的微型、被动式“大脑”。他们没有使用电流来开关晶体管，而是使用了三个微小的玻璃环（微环）来捕捉光。当光进入这些环时，光会在环内跳跃、相互作用，从而产生复杂的模式。这些模式就像神经元的“思想”一样。

核心组件：SCISSOR 项链

这项主要发明被称为 SCISSOR（侧耦合集成间隔谐振器序列）。

类比： 把单个微环想象成一个单铃。如果你摇动它，它会发出简单的声音。
创新之处： 研究人员将三个这样的铃铛以特定的链条形式连接在一起。当你摇动其中一个时，声音会通过其他铃铛振动，从而创造出一种单个铃铛永远无法独立产生的复杂、混沌且优美的和谐音。
工作原理： 他们向这个链条中射入激光。根据他们使用的功率大小和激光的精确颜色（波长），环内的光表现会有所不同。有时光流很平滑；有时它会产生“脉冲”（快速闪烁）；有时则会陷入循环。

两种“读取”大脑的方式

研究人员通过两种模式测试了这个光学大脑，类似于人类阅读书籍的方式：

模拟模式（连续流）：
- 想象你在读一本书，书中的每个词都有不同的灰色深浅。计算机读取来自微环输出光的精确亮度。这种方式非常精细，适用于简单的任务。
- 结果： 他们利用这种模式对著名的“鸢尾花”数据集（识别花卉类型）进行了分类，达到了 100% 的准确率。
数字/脉冲模式（摩斯电码）：
- 想象你在读一本书，你只关心一个词是“响亮”还是“安静”。如果光的亮度超过某个阈值，计算机就将其计为一个“1”（一个脉冲）；如果光很暗，则计为“0”。
- 神奇之处： 尽管这种方法丢弃了很多细节（它是非常“稀疏”的），但事实证明它极其高效。对于花卉分类任务，他们仅通过一次光闪烁就能识别出花朵。
- 结果： 他们还在一个更难的任务上测试了这一点：“声呐”数据集（区分岩石与水雷）。使用这种稀疏的脉冲方法，他们实现了超过 97% 的准确率。

秘诀：“混沌边缘”

论文中最有趣的发现是系统在哪里表现最好。

类比： 想象一位走钢丝的人。如果他们在绳子中间站立，他们很稳定但很枯燥；如果他们在边缘站立，他们会摇晃且充满混沌。
发现： 研究人员发现，当光学大脑处于稳定性与混沌之间的边缘时，其表现最为出色。
- 如果光太弱，什么都不会发生（太稳定）。
- 如果光太强或环之间的耦合过强，系统就会变得狂乱并失去分类数据的能力（太混沌）。
- 黄金平衡点： 当他们将激光调节到系统即将从一种行为切换到另一种行为（例如从平滑流动切换到闪烁脉冲）的精确点时，计算机变得异常聪明。这被称为“耦合边缘”。

为什么这很重要（根据论文所述）

效率： 你不需要一台庞大的计算机来完成这项工作。仅由三个环组成的微型芯片就能完成大型系统的任务，因为光的物理特性承担了大部分重任。
速度： 由于使用光，它避免了光与电之间缓慢的转换过程。
简洁性： 该系统是“被动式”的，这意味着它不需要复杂的内部布线来改变其行为。你只需要调节激光（输入），微环就会自然地重新排列它们的“思想”来解决问题。

总结

论文表明，通过将三个微小的硅环连接在一起并射入激光，他们创造了一个可以以惊人准确度进行数据分类的微型计算机。秘诀在于将激光调节到光行为从平滑变为脉冲的精确“边缘”。这使得系统能够以极低的能量和极少的“脉冲”来解决复杂问题，这为未来更快、更节能的计算机提供了极具前景的构建模块。

技术摘要：耦合脉冲硅微环光子神经形态处理

问题陈述
随着计算界面临摩尔定律终结的挑战，迫切需要替代技术来高效处理日益增长的数据量，特别是针对要求低延迟和高能效的边缘计算场景。神经形态光子学提供了一个极具前景的解决方案，它直接在光学领域执行非线性变换和时间处理，从而最大限度地减少电-光转换。由于其依赖于天然物理动力学而非片上内部连接的训练，储备池计算（Reservoir Computing, RC）非常适合此类任务，但目前的实现面临扩展性挑战。单微环谐振器（MRR）节点往往缺乏处理复杂任务所需的动态复杂度，而采用“黑盒”方法扩展到大型耦合 MRR 阵列，则会导致操作参数空间迅速膨胀以及热串扰问题。因此，迫切需要理解简化耦合结构的计算能力，以实现高效的片上光子神经形态系统扩展。

研究方法
本研究实验性地研究了一种基于侧向耦合集成间隔谐振器序列（SCISSOR）的紧凑型、无源非线性光子核心。该器件由三个名义上相同的自脉冲硅微环（半径 7 µm）组成，这些微环通过 180 nm 的对称间隙与两个总线波导进行倏逝耦合。非线性动力学由双光子吸收（TPA）驱动，TPA 诱发自由载流子色散（FCD）和热光效应（TOE），从而产生截然不同的时间尺度：自由载流子寿命（1–45 ns）和热弛豫时间（60–280 ns）。

研究采用了时间复用 RC 架构，其中：

输入编码： 来自 Iris 和 Sonar 数据集的各个数据点在离线状态下被线性扩展到包含 150 个虚拟节点的掩模层中。这些数据通过马赫-曾德尔调制器（MZM）被编码为连续波（CW）可调谐激光器的幅度电平。
非线性处理： 调制后的光信号被注入 SCISSOR。器件固有的动力学特性（热双稳态、自脉冲和脉冲发放）执行非线性变换。一个静止期（约 2 µs）用于在输入之间重置内部记忆。
读取： 降口信号被光电检测并采样。系统在两种模式下进行评估：
- 模拟 RC： 采样的模拟电压值作为储备池状态。
- 数字 RC： 模拟状态被阈值化为二进制值（0 或 1），利用器件的脉冲发放（spiking）动力学来创建稀疏表示。
表征： 使用 Takens 定理重建相空间并计算密度指标 ( $\rho$ ) 来量化 SCISSOR 的动力学复杂度。该指标针对注入波长失谐量 ( $\Delta\lambda$ ) 和光功率进行映射，以识别操作区间。

核心贡献

耦合微环架构： 本文证明了最小化的 SCISSOR 结构（三个耦合环）可以进入“混沌边缘”状态，并产生源于多谐振器 TPA 相互作用的复杂非周期动力学，其能力超越了单 MRR 节点。
耦合边缘操作原理： 一个核心贡献是确定了“耦合边缘”操作点。这些点位于弱耦合和强耦合机制之间的边界，在这些边界处，动力学复杂度 ( $\rho$ ) 和/或输出光功率会出现剧烈变化。作者发现，这些特定的边界（而非最大混沌区域）通常支持最高的计算性能。
ాల 稀疏数字表示： 研究表明，SCISSOR 的脉冲发放动力学自然地在数字 RC 中生成稀疏储备池状态。这使得即使在极低的脉冲计数下也能实现高效分类，简化了后续的电子后处理过程。
双稳态利用： 研究强调，热双稳态和脉冲发放双稳态均有助于增强计算性能，特别是在低注入功率（< 4 mW）下。

结果

Iris 数据集： 基于 SCISSOR 的 RC 系统使用 150 个虚拟节点，在模拟和数字方案下均实现了 Iris 数据集的无误差分类（100% 准确率）。值得注意的是，在数字方案中，特定配置允许仅通过激活单个时间节点（脉冲）即可完成任务，展示了极高的效率。
Sonar 数据集： 对于更具挑战性的 Sonar 任务（区分岩石与水雷），系统实现了超过 97% 的准确率（模拟 RC 为 $0.984 \pm 0.011$ ）。最高性能出现在系统在不同数量的自脉冲环之间发生转换的“耦合边缘”区间。
鲁棒性与可重复性： 这些结果在具有略微不同制造参数的第二个 SCISSOR 器件上得到了验证，证实了耦合边缘操作原理在不同器件间的可重复性。
性能与复杂度的关系： 研究发现，具有最高动力学复杂度（完全混沌、高 $\rho$ ）的区域并不一定产生最佳的分类准确率。相反，处于耦合边缘的中间复杂度区域提供了丰富的非线性动力学与结构化输出之间的最佳平衡。

意义与主张
作者声称，光学耦合微环谐振器（特别是 SCISSCK 构型）可作为未来边缘计算和神经形态光子系统的有效构建模块。这项工作表明，理解单个网络节点的物理计算机制对于规模化扩展至关重要。通过将“耦合边缘”区间确定为最优操作点，本文提出了一种基于物理驱动的准则，用于选择操作条件。这种方法显著减少了未来设计中对穷举参数搜索的需求，并为训练和控制规模化的片上架构提供了策略。能够在低光功率（对于高需求区间为 < 8 mW）下实现高性能以及利用稀疏数字表示的能力，使该技术成为实现高效实时光子推理的切实可行路径。