上海交大科研團隊在光學(xué)智能計算芯片研制上取得突破性進(jìn)展

  近日，上海交通大學(xué)電子信息與電氣工程學(xué)院電子工程系區域光纖通信網(wǎng)與新型光通信系統國家重點(diǎn)實(shí)驗室鄒衛文教授團隊在光學(xué)智能計算領(lǐng)域取得突破性進(jìn)展，研究成果以Optical coherent dot-product chip for sophisticated deep learning regression(面向復雜深度學(xué)習回歸任務(wù)的光學(xué)相干點(diǎn)積核芯片)為題在光學(xué)領(lǐng)域權威期刊Light: Science & Applications上發(fā)表。該工作成功研制了一款光學(xué)相干點(diǎn)積核計算芯片，具有運行復雜神經(jīng)網(wǎng)絡(luò )的能力，率先在光學(xué)智能計算芯片上實(shí)現了高精度的醫學(xué)圖像重構任務(wù)。鄒衛文教授為該論文的通訊作者，博士研究生徐紹夫為該論文的第一作者。

團隊研究布局

  隨著(zhù)智能應用的普及，以神經(jīng)網(wǎng)絡(luò )為代表的智能算法復雜度呈現爆發(fā)性增長(cháng)，龐大的算力需求給現有的數字處理器帶來(lái)了極大的壓力，亟待開(kāi)辟新型計算模式來(lái)緩解摩爾定律增速與算力需求增速之間的矛盾關(guān)系。近年來(lái)，光學(xué)智能計算技術(shù)受到國內外學(xué)術(shù)界廣泛關(guān)注。光學(xué)系統的計算時(shí)鐘頻率可以超過(guò)數十GHz(109 Hz)，同時(shí)具備靜態(tài)無(wú)功耗的特性，被認為是實(shí)現下一代高速低功耗智能計算加速器的潛在途徑。學(xué)術(shù)界報道的多種光學(xué)智能計算方案雖成功驗證了高速低功耗計算的能力，但所能實(shí)現的任務(wù)均是簡(jiǎn)單的分類(lèi)任務(wù)，與實(shí)際應用在復雜度上存在較大差距。

  2016年末，鄒衛文教授團隊著(zhù)力開(kāi)展智能光學(xué)信號處理技術(shù)研究，率先驗證了智能算法可以有效提升微波光子信號處理系統的性能，相關(guān)成果發(fā)表于2019年Light: Science & Applications期刊上(論文鏈接：https://www.nature.com/articles/s41377-019-0176-4)，并受到微波光子學(xué)領(lǐng)域的廣泛關(guān)注。在此基礎上，團隊瞄準利用光學(xué)系統實(shí)現高速高效智能計算這一目標，先后提出光學(xué)點(diǎn)積核、光學(xué)卷積分塊技術(shù)等新型系統架構，分別解決了算法執行規模與輸入端口能量效率等問(wèn)題，為光學(xué)智能計算芯片的研制與應用奠定了原理基礎。

光學(xué)相干點(diǎn)積核芯片及其封裝模塊

  此次，鄒衛文教授團隊與國內合作單位(北京大學(xué)、中科院半導體所)設計并研制一款光學(xué)相干點(diǎn)積核計算芯片。該芯片突破了陣列化光學(xué)器件的相干調控關(guān)鍵技術(shù)，成功地實(shí)現了實(shí)數域計算。借助于新型片上反饋控制算法，大幅提升了光學(xué)計算的數值精度。與此前的工作相比，該芯片在數域完整度與數值精度上的突破，使其具備了執行復雜智能任務(wù)的能力。

  光學(xué)相干點(diǎn)積核芯片重構結果與計算機結果的對比

  本研究中，鄒衛文教授團隊利用醫學(xué)圖像重構任務(wù)作為驗證，在芯片上成功地運行了AUTOMAP(用于通用圖像重構)神經(jīng)網(wǎng)絡(luò )模型，圖像重構的質(zhì)量接近了32位計算機的理想水平。該工作不僅推動(dòng)光學(xué)神經(jīng)網(wǎng)絡(luò )研究領(lǐng)域攻克實(shí)際應用難題，更為下一代智能計算技術(shù)提供了新思路。后續進(jìn)一步提高芯片的器件集成規模，有望實(shí)現更高速、更低功耗的光學(xué)神經(jīng)網(wǎng)絡(luò )處理器，緩解智能算力需求劇增與傳統硬件算力受限的矛盾。 該工作由上海交通大學(xué)、北京大學(xué)與中科院半導體所合作完成。上海交通大學(xué)為第一完成單位，博士研究生徐紹夫為第一作者，鄒衛文教授為通訊作者。

  該工作受?chē)抑攸c(diǎn)研發(fā)計劃(Program No. 2019YFB2203700)與國家自然科學(xué)基金項目(Grant No. 61822508)支持。

  Shaofu Xu, Jing Wang, Haowen Shu, Zhike Zhang, Sicheng Yi, Bowen Bai, Xingjun Wang, Jianguo Liu, and Weiwen Zou, Optical coherent dot-product chip for sophisticated deep learning regression, Light: Science & Applications, vol. 10, 221, 2021. Doi: 10.1038/s41377-021-00666-8.

  論文鏈接：https://www.nature.com/articles/s41377-021-00666-8