米乐m6官方网站平台光子学研究中心（以下简称“AIST”）首席研究员孔冠伟与日本电报电话公司合作，在日本科学技术振兴机构的支持下，正在开发电子电路，而不是电子电路硅光子集成电路超低延迟和低功耗神经网络计算发达的技术。
该技术使用光集成电路机器学习计算的技术代表待分析的多维数据的电信号被输入到光集成电路的不同输入端口，转换为光信号，并在通过光集成电路内置的多个光干涉仪时进一步进行计算。然后，将计算结果作为多个输出端口的光强度分布输出。
通过使用该技术，仅使用光学集成电路即可实现神经网络计算，而无需通过电路。这种神经网络计算只需通过固定参数的光集成电路传播光即可完成计算，无需数字电子电路所需的顺序切换，使得计算延迟时间小于电子电路的千分之一，功耗仅为电子电路的几十分之一。此外，光学电路可以使用比电子电路快10倍的时钟，因此单位时间内可以处理大量数据。这些特性使该技术成为数字电子电路的补充人工智能加速器预计。该技术的详细信息可以参见 Springer Nature 于 2022 年 6 月 30 日发表的“自然通讯”即将公布。
本研究中设计非线性映射光神经网络计算电路及基于花瓣形状的虹膜分类结果
在高度数字化转型的社会中，从数据中心开始边缘计算、自动驾驶以及包括消费设备在内的所有信息设备都需要应用广泛的人工智能处理。人工智能处理系统的规模每年爆发式扩张约10倍，千亿参数的超大型系统已经出现。此类AI处理系统是使用大量数字计算处理器构建的，但数字计算由于计算规模的扩大而显着增加了功耗和计算延迟。例如，由 512 个 GPU 组成的 AI 处理系统需要超过 120,000 瓦的功率。此外，边缘计算、机器人控制、自动驾驶等都需要小型系统，但图像识别等人工智能处理会导致毫秒级的延迟，这给这些需要高速响应的应用带来了问题。
因此，近年来，不依赖数字计算、低功耗、低延迟、可处理大量数据的高通量AI加速器的研发不断取得进展。使用光集成电路的光神经网络计算作为候选之一正在引起人们的关注。光神经网络计算只需将光传播到具有固定参数的光集成电路即可完成。由于不需要数字计算等装置切换，因此功耗低，并且由于计算在光传播通过光集成电路芯片的时间内完成，因此计算延迟极小。然而，当前的光神经网络计算电路具有混合配置，将光信号转换为电信号，并通过使用电子电路的数字计算来实现这一点，因为很难集成使用光的非线性响应装置。因此，当前光神经网络计算的优势无论是功耗还是计算延迟都没有得到充分利用。因此，需要开发一种仅使用光集成电路来实现神经网络计算的技术。另外，学习光学运算电路的主要方法是预先使用计算机，但如果要根据自己的经验自主学习，则需要使用实际电路直接学习。
AIST一直在进行下一代光集成电路技术——硅光子技术的研究和开发。硅光子技术是一种基于硅电子制造技术的光集成电路技术，具有优良的微细加工、集成化、经济性和节能性，近年来已成为提高光集成电路规模的必备技术。利用该技术，可以实现光神经网络计算所需的大规模光干涉仪集成电路。此外，如果硅光子技术可以用来创建处理非线性响应的设备，那么仅使用光学集成电路的神经网络计算将成为可能。因此，我们在硅光集成电路上实现了利用相对于光干涉仪器件的驱动电压的非线性的计算方法，并在世界上首次演示了仅使用光集成电路的神经网络计算。
这项研究和开发是在日本科学技术振兴机构的 CREST“以新光学功能和光学物理特性的表达和利用为中心的下一代光子学基础技术”(JPMJCR15N4) 和“使用信息载体的集成设备和系统”(JPMJCR21C3) 的支持下进行的。
在本研究中，我们提出了一种非线性映射神经网络计算方法，以利用光学干涉仪装置驱动电压的非线性。该计算方法在数据输入部分使用光学干涉仪装置来生成要分析的高维数据。光学复振幅空间
我们利用硅光子技术制作了光集成电路来验证这种计算方法。图1（a）显示了制造的电路芯片的照片，图1（b）显示了配备有光纤和电线的用于评估算术功能的模块的照片。该电路为硅波导型马赫曾德光学干涉仪(MZI)和单个移相器作为基本元件的网状结构。 MZI 和单移相器使用放置在波导附近的加热器热光效应关于该电路的工作原理，分类操作进行解释举个例子。待分析的数据作为电信号输入到 MZI 并转换为光信号。此时，输入数据通过MZI的非线性响应被映射到高维复振幅空间。通过输入部的光信号通过后续的乘积和计算部，通过那里的计算，计算出提供分类边界的高维平面。最终的分类计算结果以显示最大光功率的输出端口的位置来表示。图 2 显示了该计算原理的图像。
设备中的干涉仪参数是使用机器学习配置的。用于学习细菌觅食优化算法 (BFO)或前向传播算法 (FP)直接在实际电路上进行学习。使用实际电路的直接学习是一种使学生能够根据自己的经验自主提高学习能力的技术，与之前使用外部计算机的学习不同，是本研究的主要成果之一。
作为使用该电路的计算示例，称为“鸢尾花分类”的分类计算基准的结果如图 3 所示。该分类计算基准根据花瓣大小确定鸢尾花的类型。该图的横轴表示样本编号，样本编号1～30、31～60、61～90分别指定三种不同种类的鸢尾(Setosa种、Versicolor种、Virginica种)。纵轴显示该电路的八个输出端口，端口 1、3 和 5 分配给三种虹膜（端口 1 是 Setosa，端口 3 是 Versicolor，端口 5 是 Virginica）。如果提供最大光功率的端口与分配给每个虹膜种类的端口相匹配，则分类结果是正确的（参见图 3 最右侧的图表）。学习之前，样本数与输出端口光功率没有相关性，无法分类，但学习90个样本后，可以分类，准确率约为94%。此外，系统还对60个未用于学习的样本进行了分类，并取得了约97%的正确答案率。
分类操作的处理时间是光穿过光学集成电路所需的时间，在这种情况下，它不到 100 皮秒，大约是数字电子电路操作所需时间的千分之一。设置电路参数所需的加热器功率约为360毫瓦，这也是数字电子电路计算所需功率的十分之几。此外，通过将数据输入干涉仪从慢响应加热器型改为可在数十GHz下工作的PN结型高速硅光调制器，预计原则上可以实现每秒数百亿次运算的高吞吐量计算。
图1（a）用于神经网络计算的制造硅光集成电路（b）用于评估的安装模块
(图(a)是自然通讯杂志上发表的图画被编辑成日文)
图2 使用非线性映射的分类操作的图像图
图3 基于鸢尾花瓣形状的花型分类计算的基准结果。解释结果的图显示了根据学习后的结果给出最大值的输出端口。
(中间的图是自然通讯杂志上发表的图画被编辑成日文)
未来，我们计划扩大运算电路的规模，并确认其适用于更复杂的计算。我们还计划集成高速光调制器和光接收器作为输入，并实现用于设备驱动和学习控制的电子电路，以提高吞吐量并集成学习功能。此外，基于这次提出的非线性映射型计算方法，我们计划确认其是否适用于更广泛的高度实用的应用，例如通过添加递归电路的通用数据预处理器和时间波形识别。
已出版的杂志：自然通讯
论文标题：硅光子电路中的片上细菌觅食训练，用于支持投影的非线性分类
作者：Guangwei Cong、Noritsugu Yamamoto、Takashi Inoue、Yuriko Maegami、Morifumi Ohno、Shota Kita、Shu Namiki 和 Koji Yamada