⚡ 电气工程

Reconfigurable Photonic Quasi-Unitary Computing Hardware for Optical Signal Processing

本文提出了一种紧凑、可扩展且高能效的硅光拟酉器件，该器件克服了片上矩阵实现中的传统权衡，从而能够实现高性能的光信号处理和循环神经网络应用。

原作者： Huan Li, Xiaowan Shen, Chun Gao, Mingyu Zhu, Zejie Yu, Yiwei Xie, Daoxin Dai, Xinxiang Niu, Xiaowen Dong, Jian-Jun He

发布于 2026-10-06

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Huan Li, Xiaowan Shen, Chun Gao, Mingyu Zhu, Zejie Yu, Yiwei Xie, Daoxin Dai, Xinxiang Niu, Xiaowen Dong, Jian-Jun He

原始论文采用 CC BY 4.0 许可（https://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

计算世界正面临瓶颈。几十年来，我们电子设备的运行速度大约每两年翻一番，这种趋势被称为摩尔定律。但随着芯片内部的微型晶体管变得越来越小，它们正面临物理极限。组件过于拥挤，无法容纳更多部件，而且产生的热量也太多，导致无法在不熔化的情况下提高运行速度。为了让数字世界继续前进，科学家们正在寻找一种不依赖电力的信息处理新方法。他们转向了光。光比电传播得更快，能同时携带更多数据，且几乎不产生热量。这个被称为集成光子计算的领域，旨在构建使用光束而非电流来执行计算的计算机芯片。其目标是创造出能够处理现代人工智能海量数据需求，且无需承受现有电子设备能源成本和速度限制的机器。

然而，挑战在于光在微型芯片内部极难控制。要利用光进行有用的数学运算，研究人员需要执行一种特定的操作，称为矩阵乘法。在光的领域中，这意味着重新排列光束，使它们以精确的方式相互干涉以解决问题。实现这一目标最可靠的方法是使用由微型干涉仪组成的网格，这些干涉仪可以将光束分裂并重新组合。但构建这些网格就像试图用一颗颗独立的砖块去建造摩天大楼；随着网格为了处理更复杂的任务而变得更大，芯片会变得异常庞大且难以制造。组件占据了太多空间，而且添加的组件越多，制造过程中出现微小误差从而毁掉计算的可能性就越大。

来自浙江大学和华为技术的的研究团队找到了一种解决此问题的新方法。他们没有构建一个巨大的单个组件网格，而是设计了一个紧凑的单一设备，利用光的自然衍射行为来进行这些复杂的计算。他们将这一发明称为“光子准酉型计算单元”。该设备基于标准的硅芯片构建，看起来有点像旧式光谱仪中发现的衍射光栅的微缩版，但有一个关键的转变：它利用一种特殊的波导阵列（即引导光的微小通道）将数据从较少数量的输入通道提升到一个较大的中间空间，然后再将其降回原位。这一过程允许光进行混合与干涉，从而在不需要数千个独立组件的情况下完成必要的数学运算。

研究人员在硅芯片上制造了该设备的物理版本。芯片的核心非常小，尺寸仅为 0.65 毫米乘以 2.15 毫米。在这个极小的区域内，他们成功创建了一个可以同时处理 32 个不同输入信号的系统。该设备的工作原理是将输入的 light 分裂成 32 条独立路径，使其通过一个发生衍射和混合的区域，然后重新组合。通过使用微型加热器调节中间部分的相位，研究人员可以对设备进行重新编程以执行不同的数学任务。这种灵活性至关重要。虽然该设备在每一个细节上并不完全遵循完美的“酉型”系统的严格数学规则，但它已经足够精确，足以在提供更高自由度进行不同任务重构的同时保持高度准确性。

为了测试这种新硬件是否真的有效，团队利用它构建了一个光子循环神经网络。这是一种特别擅长处理随时间变化的数据（如语音或股市趋势）的人工智能。研究人员对芯片进行了两项严苛的测试。首先，他们要求它预测一种被称为 Mackey-Glass 序列的混沌时间序列信号。这是 AI 的一项标准测试，因为该信号具有不可预测性和对微小变化的敏感性。该光子芯片预测序列下一步的误差率约为 0.0023，这一准确度水平足以媲美甚至超越其他光子系统。其次，他们利用该芯片修复了在光纤中传输的失真信号。在现实世界的通信中，信号经常被其穿过的玻璃纤维所干扰变形。研究人员模拟了一个场景，其中 16 个数据通道受到严重失真，误码率高达 0.9，意味着数据几乎完全乱码。在光经过他们的新芯片后，误码率降至 0.0018，有效地恢复了原始信息。

这项工作的意义不仅限于这两项测试。研究人员计算出，如果用更快速的高速调制器替换当前芯片中缓慢的加热元件，该设备理论上每秒可以执行 102.4 万亿次操作。此外，由于该设备使用光进行计算且功耗极低，其能效可达每瓦 42.1 万亿次操作。这比目前最先进的商业电子计算芯片 NVIDIA B100 高出一个数量级。该设计还与现有的硅芯片制造工艺兼容，这意味着它可以在无需建立全新工厂的情况下进行大规模生产。

这项研究代表了构建光学计算机竞赛中的重要一步。通过摒弃传统的、笨重的组件网格，转而采用利用光自然扩散设计的方案，该团队证明了在微型芯片上构建强大且可重构计算单元是可能的。他们已经证明，光不仅可以用于传输数据，还可以高速、低能耗地主动处理数据。虽然当前版本的设备受限于其加热控制的速度，但底层架构证明了通往可扩展、高能效光子计算之路是畅通的。这项工作预示着一个未来：人工智能的繁重任务将由光来承担，从而将我们的数字世界从目前的散热和速度限制中解放出来。

基于所提供的文章，以下是该工作的详细技术总结：

问题陈述

集成光子计算被视为解决电子计算在带宽和功耗效率瓶颈方面的后摩尔定律方案，特别是在深度神经网络领域。然而，实现片上酉矩阵（Unitary Matrices）——这是实现能量守恒、无损线性光学变换的关键——面临着在占地面积、可扩展性和酉保真度（Unitary Fidelity）之间的关键权衡。

当前局限性： 使用级联马赫-曾德尔干涉仪（MZI）网格（Reck 或 Clements 架构）的传统实现方式，其硬件占地面积随 $O(N^2)$ 缩放，这使得在标准硅光子技术中进行大规模集成（例如 $128 \times 128$ ）在物理上变得不可行。此外，这些架构对制造均匀性要求极高；微小的相位偏差会导致难以预测的误差。
替代方案的瓶颈： 衍射深度神经网络提供了另一种选择，但受限于不受限的衍射和模式失配，导致能量泄漏，从而破坏了严格酉性所需的能量守恒条件。
核心挑战： 需要一种能够平衡严格物理酉性约束与多样化矩阵计算任务所需的可重构性的可扩展、紧凑型架构。

方法论

作者提出了一种基于**阵列波导光栅（AWG）架构的光子拟酉（Photonic Quasi-Unitary, PQU）**计算器件。其核心创新在于通过放宽严格的酉定义来增强可重构性，同时保持近乎酉的物理特性。

架构设计：
- PQU 器件利用**非方阵自由传播区（FPRs）**进行维度提升（32 个输入到 81 个中间通道）和维度降低（81 个中间通道到 32 个输出）。
- 中间阵列波导区域包含一个可调相位器阵列。
- 整体传递矩阵建模为 $M = B \Phi B^T$ ，其中 $B$ 和 $B^T$ 是非方阵基变换矩阵（FPRs）， $\Phi$ 是可编程对角相位矩阵。
- 通过使用非方阵作为 $B$ 和 $B^T$ ，该设计打破了中间相位矩阵的维度限制，创建了一个包含标准酉矩阵的“矩阵超集”。额外的自由度（49 个辅助通道）允许通过精确的相位调节来抵消非对角分量。
制造与集成：
- 该研究制造了一个基于标准 SOI 工艺的 $32 \times 32$ 硅光 PQU 芯片，采用 220 nm 厚顶层硅和 2 µm 厚埋氧化层。
- 芯片集成了分束器（通过 2 $\times$ 2 MMI）、用于输入加载的热光学 MZI 调制器、核心 PQU 单元以及用于输出的光栅耦合器。
- 核心 PQU 单元占据的面积仅为 0.65 mm $\times$ 2.15 mm。
系统验证（RNN）：
- 作者构建了一个**光子循环神经网络（RNN）**来测试该器件，因为 RNN 需要稳定的迭代矩阵计算，这能严格测试长期的数值稳定性和矩阵保真度。
- 训练策略： 由于在制造完成后难以表征精确的 FPR 传递矩阵，作者采用了混合训练方法：
  - 粒子群优化算法（PSO）： 用于优化阵列波导的相位配置（ $\Phi$ ）（这是一种对制造误差具有鲁棒性的黑盒策略）。
  - 岭回归（Ridge Regression）： 用于训练输出矩阵（ $W_{hy}$ ）。
  - 使用了一个协调过程，即在优化另一个组件之前先固定收敛较快的组件（ $\Phi$ ）。

主要贡献

拟酉概念： 引入了一种放弃严格全酉约束、转而采用非方阵基变换的设计，有效地扩展了可编程相位操作的范围，同时保持了近乎酉的左乘和右乘特性。
可扩展的基于 AWG 的核心： 展示了一种紧凑的、基于 AWG 的计算核心，避免了 MZI 网格中 $O(N^2)$ 的缩放问题，显著降低了片上集成的复杂性。
实验验证： 成功制造并测试了一个 $32 \times 32$ 的 PQU 芯片，验证了其在真实世界 RNN 框架下的可重构性和计算性能。

实验结果

该系统在两个不同的任务上进行了基准测试：

Mackey-Glass 时间序列预测：
- PQU-RNN 系统在测试集上实现了 ~0.0023 的归一化均方误差（NMSE），代表了光子循环计算系统的先进水平。
光纤失真信号修复：
- 系统测试了 16 通道光纤失真信号（模拟具有色散和通道间串扰的 1 km 光纤传输）。
- 原始失真信号的误码率（BER）为 0.9。
- 经过 PQU-RNN 处理后，16 个通道的平均误码率降至 0.0018，有效地恢复了原始的伪随机二进制序列（PRBS）数据。

性能指标：

占地面积： PQU 核心为 0.65 mm $\times$ 2.15 mm。
预期性能： 若与 50 GHz 调制器集成，该系统支持预计 102.4 TOPS（每秒万亿次操作）的吞吐量。
能量效率： 凭借约 2.4 W 的估计功耗（主要由 81 个热光学电阻驱动），预计能量效率为 42.1 TOPS/W。作者指出，这比 NVIDIA B100 电子芯片高出约一个数量级。

意义与主张

论文声称 PQU 架构提供了一种可扩展且高效的硬件路径，用于片上光子计算，特别针对边缘光通信和 AI 场景。

可行性： 这项工作验证了使用拟酉设计克服当前光子神经网络中固有的规模-可重构性权衡的可行性。
工艺兼容性： 该设计兼容商业标准硅光工艺（使用单模波导、氮化钛加热器和金属沉积），确保了较低的制造难度以及与现有代工厂 PDK 进行单片集成的潜力。
未来潜力： 虽然目前的工作侧重于用于边缘信号处理的 RNN，但作者建议该架构可以通过片上频率梳支持多波长操作，并通过光子延迟结构支持时域扩展，从而在不进行大规模硬件复制的情况下进一步扩大计算能力。

作者对当前的局限性保持了谦逊的态度，承认目前的实验速度受限于热光学调制器，并且目前的研究重点是基于 RNN 的信号处理而非复杂的图像处理（后者涉及更高的空间特征耦合挑战）。

问题陈述

方法论

主要贡献

实验结果

意义与主张

类似论文