🔬 optics

Programmable recirculating bricks mesh architecture for photonic neural networks

该论文提出了一种可编程的循环砖块网格架构，它利用单一可编程光学系统实现了从交叉网络到可变结构干涉电路等多种功能的灵活重定义，并集成了基于功率监测的自校准反馈机制，为光神经网络提供了高效、通用且稳定的硬件基础。

原作者： Jacek Gosciniak

发布于 2026-04-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Jacek Gosciniak

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

这篇文章介绍了一种名为**“可编程循环砖块网格”的新型光芯片架构，它就像是为未来的光计算机（Photonic Neural Networks）打造的一个“万能乐高积木盒”**。

为了让你更容易理解，我们可以把这项技术想象成是在构建一个**“超级智能的交通枢纽”**。

1. 背景：为什么我们需要它？

现在的神经网络（AI 的大脑）非常耗电，训练一次 AI 所需的能量甚至能让整个城市停电。传统的电子芯片就像是用老式马车在跑数据，速度慢且费油。

科学家想用光（光子）来代替电，因为光速快、不发热、带宽大。但是，以前的光芯片设计太死板了：

旧模式（单向公路）： 以前的光芯片像是一条条单向高速公路，数据只能从左走到右。为了完成复杂的计算，你需要修很多很多条路（很多个开关），导致芯片很大、损耗很大（光在路上传着传着就没了）。
新问题： 就像修路一样，路修得越长，车（光子）越容易累（能量损耗），而且修路用的材料（相位调制器）太贵、太占地方。

2. 核心创新：什么是“循环砖块网格”？

作者提出了一种新的设计，叫**“循环砖块网格”（Recirculating Bricks Mesh）**。

比喻：从“单向公路”变成“立体迷宫”
想象以前的芯片是一个平面的迷宫，你只能一直往前走，遇到死胡同就完了。
而这个新架构是一个立体的、可以循环的迷宫。光子不仅可以从左走到右，还可以掉头往回走，或者在迷宫里转圈圈。
“砖块”是什么？
这个迷宫是由一个个小的“砖块”（由微型干涉仪 MZI 组成）拼成的。
- 旧设计（六边形网格）： 每个砖块有 6 个连接口，像蜂巢一样，虽然结实但太占地方。
- 新设计（砖块网格）： 每个砖块只有 2 到 4 个连接口，像砌墙用的砖头一样紧凑。
- 优势： 因为连接口少，光走的路更短，就像在迷宫里少绕了很多弯路，光损耗更小，芯片面积更小。

3. 这个“万能迷宫”能做什么？

这个架构最厉害的地方在于它的**“可编程”特性。它就像一套乐高积木**，你可以随时把积木拆了重新拼，变成不同的形状来干不同的活：

变身“交叉开关”（Crossbar）：
你可以把它拼成一个巨大的**“十字路口”**。所有的输入信号（比如图片的像素）可以瞬间和所有的权重（AI 的记忆）进行混合计算。这就像让成千上万辆车同时穿过一个巨大的立交桥，瞬间完成复杂的矩阵乘法（AI 最核心的计算）。
- 以前： 需要修 $N^2$ 条路。
- 现在： 只需要修 $N$ 条路，效率提升巨大。
变身“滤波器”（Filter）：
利用光子在迷宫里“循环”的特性，它可以像回音壁一样，让特定的声音（光信号频率）留下来，把不需要的声音过滤掉。这比以前的单向设计能做出更复杂、更精准的过滤器。
变身“数学大师”（SVD）：
它还能自动把复杂的数学矩阵分解成简单的步骤（奇异值分解），就像把一个巨大的拼图拆解成几个小拼图块，让 AI 算得更快、更省能量。

4. 自带“自动驾驶”系统（自校准）

光芯片最怕什么？怕温度变化和制造误差。就像你刚修好的路，如果天气变热，路可能会变形，导致车跑偏。

旧方案： 需要人工拿着仪器去测量，然后手动调整，既慢又麻烦。
新方案（自校准）： 这个“砖块迷宫”里自带了一套**“智能导航系统”**。
- 它能在迷宫的每个路口安装“传感器”（监测模块）。
- 它能实时感觉到光走得顺不顺。
- 如果发现有路变窄了（相位漂移），它会自动调整旁边的“路标”（相位调制器），把路修好。
- 比喻： 就像一辆自动驾驶汽车，不需要司机（人工）干预，自己就能感知路况并修正方向，始终保持最佳状态。

5. 总结：为什么这很重要？

这篇论文提出的“循环砖块网格”架构，就像是给光计算机装上了**“变形金刚”的技能和“自动驾驶”**的大脑。

更省： 光走的路短了，能量损耗就少了。
更快： 光子可以循环利用，不需要造那么大的芯片就能算出复杂的结果。
更稳： 自带自我修复功能，不怕温度变化。

这项技术让光神经网络（用光来跑 AI）从“实验室里的概念”变成了“未来可以大规模量产的实用产品”。它有望让未来的 AI 训练速度快几十倍，同时能耗降低几十倍，真正实现“光速智能”。

以下是基于 Jacek Gosciniak 所著论文《Programmable recirculating bricks mesh architecture for photonic neural networks》（用于光子神经网络的可编程循环“砖块”网格架构）的详细技术总结：

1. 研究背景与问题 (Problem)

能耗危机：神经网络的训练能耗每 5 个月翻一番，迫切需要开发更高能效的硬件解决方案。
现有光子计算的局限性：
- 可编程光子神经网络 (PNNs) 虽然利用光速进行矩阵向量乘法 (MVM)，具有低能耗和高带宽优势，但其性能受限于移相器 (Phase Shifters)。移相器在损耗、尺寸、功耗和速度之间存在权衡，难以任意缩小。
- 前馈网络 (Feed-forward networks) 的架构通常要求信号单向传输（从左到右），导致在大型电路中每个元件的平均相位偏移较大，且需要大量的移相器（通常为 $O(N^2)$ 量级）。
- 量子信息处理挑战：在退相干时间和损耗机制发生之前，需要在更短的时间尺度上实现关键变换，这对传统架构提出了挑战。
核心痛点：如何设计一种架构，既能最小化大型电路中的平均相位偏移，又能减少所需的开关（MZI）数量，同时保持多功能性（如交叉连接、滤波、AI 计算）。

2. 方法论与架构设计 (Methodology)

论文提出了一种可编程循环“砖块”网格架构 (Programmable Recirculating "Bricks" Mesh Architecture)，其核心设计思想如下：

循环信号传输：与传统的单向前馈网络不同，该架构允许信号在任意方向传播（包括向后传播）。这种双向/多向传输能力使得系统能够通过循环路径复用组件，从而显著减少所需的物理开关数量。
“砖块”单元结构：
- 基本单元由 2 到 4 个马赫 - 曾德尔干涉仪 (MZIs) 组成，相比之下，六边形网格需要 6 个，常规方形网格需要更多连接点。
- 采用 3 点互连方案，优于常规方形网格的 4 点互连，减少了光路长度和传播损耗。
功能复用与重构：
- 同一套硬件网络可以通过重新编程，实现多种功能：从交叉连接网络 (Crossbar Network) 到具有可变结构的光学干涉电路。
- 支持奇异值分解 (SVD)，能够分解任意矩阵为两个酉矩阵和一个对角矩阵的乘积 ( $W = U\Sigma V^\dagger$ )。
非线性激活单元 (NOFU)：
- 利用光非线性（如饱和吸收、双稳态）在垂直光路中直接实现激活函数，无需额外的电子层或独立的光层，从而减小了芯片占用面积。
自校准与反馈控制：
- 集成基于惠斯通电桥 (Wheatstone bridge) 的监控模块，利用透明导电氧化物 (TCOs) 的介电常数近零 (ENZ) 特性。
- 通过电压反馈回路实时调整光功率和相位，补偿工艺容差和热漂移，无需预先知道器件的传递函数。

3. 关键贡献 (Key Contributions)

架构创新：提出了“砖块”网格架构，相比传统方形网格，其重构性能（Reconfiguration Performance）提升了一倍（例如在 25 个 MZI 下，RR 基滤波器的频率分离值可达 11，而方形网格仅为 6）。
资源效率突破：
- 在实现任意 $N \times N$ 酉矩阵变换时，所需的 MZI 数量从传统前馈网络的 $O(N^2)$ 降低到了 $O(N)$ 量级。
- 实现任意输入输出模式间线性变换所需的活跃 MZI 数量减少了 13 倍以上。
- 显著降低了光路深度 (Optical Depth)，从而减少了传播损耗。
多功能集成：
- 证明了同一网络可配置为交叉连接网络（用于并行模拟计算）或 SVD 分解网络。
- 实现了 IIR（无限脉冲响应）和 FIR（有限脉冲响应）滤波器，这是前馈网络难以实现的。
闭环自稳定系统：提出了一种无需校准的反馈控制策略，利用片上集成的电压监测器（而非电流监测器）来消除电流 - 电压转换噪声，并实现对电路状态的实时稳定。

4. 实验结果与性能分析 (Results)

重构性能对比：
- 在相同 MZI 数量（25 个）下，“砖块”网格的 RR 基滤波器重构性能为 11，而六边形网格为 9，三角形和方形网格仅为 6。
- MZI 基滤波器的重构性能超过 12，与六边形网格持平，是方形网格（6）的两倍。
交叉连接网络实现：
- 成功构建了基于“砖块”网格的交叉连接网络，能够并行执行 $N \times M$ 的矩阵乘法。
- 通过 McCulloch-Pitts 神经元模型，展示了信号如何在列中加权、求和并经过激活函数处理。
- 支持两种激活模式：仅在最后一级激活（全求和后激活）或每增加一个信号即激活（逐层非线性）。
SVD 与矩阵运算：
- 利用级联的 MZI 层（二叉树层或对角线层）实现了任意实值矩阵的分解。
- 单位矩阵变换 ( $U, V^\dagger$ ) 通过移相器和分束器实现（无功耗），对角矩阵 ( $\Sigma$ ) 通过光衰减器实现。
自校准能力：
- 反馈系统能够自动调整光学功率和相位，将电路稳定在目标电压值。
- 由于所有桥接组件位于同一芯片且距离极近，系统对温度变化不敏感，仅受光功率传播影响。

5. 意义与展望 (Significance)

光子神经网络的实用化：该架构通过大幅减少组件数量和光路损耗，解决了光子神经网络扩展性差和能耗高的问题，使其更接近大规模实际应用。
量子信息处理：由于循环网络能显著缩短信息处理时间（在退相干发生前完成），该架构为确定性量子信息处理提供了理想的硬件平台。
通用性与灵活性：作为一种“软件定义”的光子硬件，它允许在单一芯片上快速原型化并重新定义硬件功能（从 AI 计算到滤波、量子门操作），极大地提高了研发效率。
能效与速度：结合了光的超高速、大带宽特性与循环架构的高效率，为下一代低功耗、高吞吐量的计算系统奠定了基础。

总结：Jacek Gosciniak 提出的“砖块”网格架构通过引入信号循环机制和优化的单元设计，成功克服了传统光子神经网络在规模扩展、损耗控制和硬件效率方面的瓶颈，为构建大规模、可编程、自稳定的光子计算系统提供了极具潜力的解决方案。