本文由半導(dǎo)體產(chǎn)業(yè)縱橫（ID：ICVIEWS）編譯自quantamagazine

光學(xué)神經(jīng)網(wǎng)絡(luò)使用光子而不是電子，比傳統(tǒng)系統(tǒng)具有優(yōu)勢。摩爾定律已經(jīng)相當(dāng)快了。它認(rèn)為，計算機(jī)芯片每兩年左右就會安裝兩倍數(shù)量的晶體管，從而在速度和效率上產(chǎn)生重大飛躍。但深度學(xué)習(xí)時代的計算需求增長速度甚至更快——這種速度可能不可持續(xù)。國際能源署預(yù)測，2026年人工智能消耗的電力將是2023年的10倍。計算硬件公司Lightmatter的創(chuàng)始人兼首席執(zhí)行官尼克·哈里斯 (Nick Harris)表示，人工智能所需的算力每3個月就會翻一番，速度遠(yuǎn)遠(yuǎn)快于摩爾定律的預(yù)測。最有前途的方法之一是不使用可靠的電子來處理信息，而是使用光子流。最近的結(jié)果表明，對于現(xiàn)代人工智能的某些基礎(chǔ)計算任務(wù)，基于光的“光學(xué)計算機(jī)”可能具有優(yōu)勢。劍橋大學(xué)物理學(xué)家納塔利婭·貝爾洛夫表示，光計算的發(fā)展“為人工智能等需要高速、高效處理的領(lǐng)域的突破鋪平了道路” 。

理論上，光提供了誘人的潛在好處。其一，光信號比電信號可以攜帶更多信息——它們有更多的帶寬。光頻率也比電頻率高得多，因此光系統(tǒng)可以在更短的時間內(nèi)以更少的延遲運(yùn)行更多的計算步驟。然后是效率問題。除了相對浪費(fèi)的電子芯片造成的環(huán)境和經(jīng)濟(jì)成本之外，它們的運(yùn)行溫度也非常高，以至于只有一小部分晶體管（所有計算機(jī)核心的微小開關(guān)）可以隨時處于活動狀態(tài)。理論上，光學(xué)計算機(jī)可以同時進(jìn)行更多操作，在消耗更少能源的同時處理更多數(shù)據(jù)。斯坦福大學(xué)電氣工程師戈登·韋茨斯坦(Gordon Wetzstein ) 表示，“如果我們能夠利用”這些優(yōu)勢，“這將帶來許多新的可能性?！笨吹綕撛诘膬?yōu)勢，研究人員長期以來一直嘗試將光用于人工智能這個計算需求量很大的領(lǐng)域。例如，在 20 世紀(jì) 80 年代和 90 年代，研究人員使用光學(xué)系統(tǒng)構(gòu)建了一些最早的神經(jīng)網(wǎng)絡(luò)。Demetri Psaltis 和加州理工學(xué)院的兩名同事使用這些早期光學(xué)神經(jīng)網(wǎng)絡(luò) (ONN) 之一創(chuàng)建了一個巧妙的面部識別系統(tǒng)。他們將一個受試者（實(shí)際上是研究人員之一）的圖像作為全息圖存儲在光折變晶體中。研究人員使用全息圖來訓(xùn)練 ONN，然后 ONN 可以識別研究人員的新圖像并將他與同事區(qū)分開來。但光也有缺點(diǎn)，光子通常不會相互作用，因此一個輸入信號很難控制另一個信號，而這正是普通晶體管的優(yōu)勢。現(xiàn)在，它們已被放置在數(shù)十億枚硬幣大小的芯片上，這是數(shù)十年漸進(jìn)式改進(jìn)的產(chǎn)物。

近年來，研究人員發(fā)現(xiàn)了光學(xué)計算的殺手級應(yīng)用：矩陣乘法。

一些簡單的數(shù)學(xué)

矩陣或數(shù)字?jǐn)?shù)組相乘的過程是大量重型計算的基礎(chǔ)。具體來說，在神經(jīng)網(wǎng)絡(luò)中，矩陣乘法是如何在舊數(shù)據(jù)上訓(xùn)練網(wǎng)絡(luò)以及如何在經(jīng)過訓(xùn)練的網(wǎng)絡(luò)中處理新數(shù)據(jù)的基本步驟。光可能是比電更好的矩陣乘法媒介。

這種人工智能計算方法在 2017 年爆發(fā)，當(dāng)時麻省理工學(xué)院的 Dirk Englund 和 Marin Solja?i? 領(lǐng)導(dǎo)的團(tuán)隊(duì)描述了如何在硅芯片上構(gòu)建光學(xué)神經(jīng)網(wǎng)絡(luò)。研究人員將他們想要相乘的各種量編碼成光束，然后將光束發(fā)送通過一系列改變光束相位（光波振蕩方式）的組件，每個相位改變代表一個乘法步驟。通過反復(fù)分裂光束、改變相位、重新組合，可以使光有效地進(jìn)行矩陣乘法。在芯片的末端，研究人員放置了光電探測器來測量光束并揭示結(jié)果。研究人員教他們的實(shí)驗(yàn)設(shè)備識別口語元音，這是神經(jīng)網(wǎng)絡(luò)的常見基準(zhǔn)任務(wù)。憑借光的優(yōu)勢，它可以比電子設(shè)備更快、更有效地完成這一任務(wù)。其他研究人員已經(jīng)知道光有利于矩陣乘法；2017 年的論文展示了如何將其付諸實(shí)踐。

康奈爾大學(xué)光子學(xué)專家Peter McMahon表示，這項(xiàng)研究“激起了人們對 ONN 的巨大興趣，那個人影響力非常大?！?/p>

聰明的想法

自 2017 年發(fā)表論文以來，隨著各種研究人員提出了新型光學(xué)計算機(jī)，該領(lǐng)域取得了穩(wěn)步進(jìn)展。Englund 和幾位合作者最近推出了一種名為 HITOP 的新型光網(wǎng)絡(luò)，該網(wǎng)絡(luò)結(jié)合了多項(xiàng)先進(jìn)技術(shù)。最重要的是，它的目標(biāo)是隨著時間、空間和波長的增加計算吞吐量。前麻省理工學(xué)院博士后、現(xiàn)任職于南加州大學(xué)的Zaijun Chen表示，這有助于 HITOP 克服光學(xué)神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)之一：將數(shù)據(jù)從電子元件傳輸?shù)焦鈱W(xué)元件需要大量能量，反之亦然。但Zaijun Chen說，通過將信息打包到光的三個維度中，它可以更快地通過 ONN 推送更多數(shù)據(jù)，并將能源成本分散到許多計算中。這降低了每次計算的成本。研究人員報告說，HITOP 可以運(yùn)行比以前基于芯片的 ONN 大 25,000 倍的機(jī)器學(xué)習(xí)模型。

需要明確的是，該系統(tǒng)仍遠(yuǎn)不能與其電子前輩相媲美。Chen表示，HITOP 每秒執(zhí)行約 1 萬億次運(yùn)算，而先進(jìn)的 Nvidia 芯片可以處理 300 倍的數(shù)據(jù)，他希望擴(kuò)大該技術(shù)的規(guī)模，使其更具競爭力。但光學(xué)芯片的效率卻非常引人注目?！斑@里的游戲是我們將能源成本降低了 1,000 倍，”Chen說。其他小組已經(jīng)創(chuàng)建了具有不同優(yōu)勢的光學(xué)計算機(jī)。去年，賓夕法尼亞大學(xué)的一個團(tuán)隊(duì)描述了一種新型 ONN，它提供了不同尋常的靈活性。這種基于芯片的系統(tǒng)將激光照射到構(gòu)成電子芯片的半導(dǎo)體部分上，從而改變半導(dǎo)體的光學(xué)特性。激光有效地映射了光信號的路徑，從而完成了它執(zhí)行的計算。這使得研究人員可以輕松地重新配置系統(tǒng)的功能。這與大多數(shù)其他基于芯片的系統(tǒng)（光學(xué)和電子系統(tǒng)）有著明顯的區(qū)別，在這些系統(tǒng)中，路線是在制造工廠中仔細(xì)制定的，并且很難改變。該研究的主要作者吳天偉說：“我們所擁有的東西非常簡單。我們可以重新編程，動態(tài)改變激光圖案?！毖芯咳藛T利用該系統(tǒng)設(shè)計了一個成功區(qū)分元音的神經(jīng)網(wǎng)絡(luò)。大多數(shù)光子系統(tǒng)在構(gòu)建之前都需要進(jìn)行訓(xùn)練，因?yàn)橛?xùn)練必然涉及重新配置連接。但由于該系統(tǒng)很容易重新配置，研究人員在將模型安裝到半導(dǎo)體上后對其進(jìn)行了訓(xùn)練。他們現(xiàn)在計劃增加芯片的尺寸，并用不同顏色的光編碼更多信息，這應(yīng)該會增加它可以處理的數(shù)據(jù)量。

即使是在 90 年代創(chuàng)建面部識別系統(tǒng)的 Psaltis 也對這一進(jìn)步感到印象深刻?！芭c實(shí)際發(fā)生的事情相比，我們 40 年前最瘋狂的夢想顯得非常渺小?！?/p>

第一縷曙光

雖然光學(xué)計算在過去幾年中發(fā)展迅速，但它還遠(yuǎn)未取代實(shí)驗(yàn)室外運(yùn)行神經(jīng)網(wǎng)絡(luò)的電子芯片。論文宣布光子系統(tǒng)比電子系統(tǒng)效果更好，但它們通常使用舊的網(wǎng)絡(luò)設(shè)計和較小的工作負(fù)載來運(yùn)行小型模型。安大略省皇后大學(xué)的 Bhavin Shastri 表示，許多關(guān)于光子霸權(quán)的報道數(shù)據(jù)并沒有說明全部情況。“很難與電子產(chǎn)品進(jìn)行同類比較，”他說：“例如，當(dāng)他們使用激光時，他們并沒有真正談?wù)摓榧す夤╇姷哪芰俊！?/p>

實(shí)驗(yàn)室系統(tǒng)需要擴(kuò)大規(guī)模才能顯示出競爭優(yōu)勢。Bhavin Shastri 問道：“要把它做大到什么程度才能獲勝？”答案是：非常大。這就是為什么沒有人能與英偉達(dá)制造的芯片相媲美，英偉達(dá)的芯片為當(dāng)今許多最先進(jìn)的人工智能系統(tǒng)提供動力。在此過程中，需要解決大量的工程難題——電子方面已經(jīng)解決了幾十年的問題。麥克馬洪說：“電子領(lǐng)域從一開始就具有巨大的優(yōu)勢?！币恍┭芯咳藛T認(rèn)為，基于 ONN 的人工智能系統(tǒng)將首先在提供獨(dú)特優(yōu)勢的專業(yè)應(yīng)用中取得成功。Shastri 表示，一種有前途的用途是抵消不同無線傳輸之間的干擾，例如 5G 蜂窩塔和幫助飛機(jī)導(dǎo)航的雷達(dá)高度計。今年年初，Shastri 和幾位同事創(chuàng)建了一個 ONN，可以整理不同的傳輸并實(shí)時挑選出感興趣的信號，處理延遲低于 15 皮秒（15 萬億分之一秒）——不到千分之一電子系統(tǒng)所花費(fèi)的時間，同時使用不到 1/70 的功率。

但Bhavin Shastri 表示，宏偉的愿景——一種可以超越通用電子系統(tǒng)的光學(xué)神經(jīng)網(wǎng)絡(luò)——仍然值得追求。去年，他的團(tuán)隊(duì)進(jìn)行的模擬顯示，十年內(nèi)，足夠大的光學(xué)系統(tǒng)可以使某些人工智能模型的效率比未來電子系統(tǒng)的效率提高 1000 倍以上?！艾F(xiàn)在很多公司都在努力爭取1.5倍的收益。一千倍的好處，那就太神奇了?！彼f：“如果成功的話，這可能是一個為期 10 年的項(xiàng)目。”