一、“光計(jì)算”背景

現(xiàn)如今，“大數(shù)據(jù)”（Big Data）時(shí)代提供了海量的數(shù)據(jù)，人工智能（artificial intelligence，AI）在自動(dòng)駕駛，智能教育，語(yǔ)音識(shí)別等領(lǐng)域中的應(yīng)用越來(lái)越廣泛。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）算法相關(guān)的機(jī)器學(xué)習(xí)（Machine Learning，ML）技術(shù)，作為AI領(lǐng)域中重要的計(jì)算模型，為AI的發(fā)展提供了動(dòng)力，推動(dòng)人類(lèi)社會(huì)進(jìn)入智能化時(shí)代。

但人工神經(jīng)網(wǎng)絡(luò)強(qiáng)烈依賴(lài)于矩陣乘法，其訓(xùn)練和推理過(guò)程本質(zhì)上是對(duì)矩陣參數(shù)進(jìn)行調(diào)制、優(yōu)化后與外界傳輸?shù)臄?shù)據(jù)進(jìn)行數(shù)學(xué)乘法。但在目前，隨著神經(jīng)網(wǎng)絡(luò)的規(guī)模不斷擴(kuò)大（深度學(xué)習(xí)模型的規(guī)模每3.5個(gè)月就翻一番），訓(xùn)練量也不斷增大，需要更密集的矩陣計(jì)算，因而對(duì)算力的需求正在以驚人的速度增長(zhǎng)。

圖1 人工智能應(yīng)用場(chǎng)景

圖2 神經(jīng)網(wǎng)絡(luò)架構(gòu)示意圖

而現(xiàn)階段應(yīng)用于神經(jīng)網(wǎng)絡(luò)的商用硬件主要包括兩類(lèi)：一類(lèi)是通用芯片，如中央處理器（CentralProcessing Unit，CPU）、圖形處理單元（GraphicProcessing Unit， GPU）等；另一類(lèi)是一些神經(jīng)網(wǎng)絡(luò)加速器如張量處理單元（TensorProcessing Unit， TPU）和可編程門(mén)陣列（FieldProgrammable Gate Array， FPGA）等。

最初，普遍采用通用芯片（CPU）進(jìn)行矩陣運(yùn)算，然而隨著需要計(jì)算的數(shù)據(jù)量的不斷增長(zhǎng)，由于CPU算術(shù)邏輯單元（Arithmeticand Logic Unit，ALU）的面積較小，并且CPU自身的邏輯運(yùn)算和控制電路也較為復(fù)雜，因而導(dǎo)致CPU已無(wú)法支撐大數(shù)據(jù)量帶來(lái)的大量重復(fù)性的矩陣乘法運(yùn)算。因而主流硬件廠商開(kāi)始將注意力轉(zhuǎn)向GPU：GPU采用的是流處理的方式，利用空間并行性，可以大大提高運(yùn)算速度。

但隨著GPU的不斷迭代，其運(yùn)算速度已經(jīng)進(jìn)入了萬(wàn)億次每秒（Teraflop）的范圍，也已接近其理論極限。為了進(jìn)一步提高硬件的算力，各大廠商開(kāi)始了對(duì)神經(jīng)網(wǎng)絡(luò)加速器的研究。2016年，谷歌推出了TPU，采用了片上內(nèi)存以及脈動(dòng)陣列設(shè)計(jì)，可在8位低精度下進(jìn)行整數(shù)運(yùn)算，相比于GPU具有更高的計(jì)算速度和更低的能耗。此外，在2017年，Intel也推出了面向數(shù)據(jù)中心的FPGA加速產(chǎn)品，可根據(jù)本身需求進(jìn)行編程。

圖3 典型的商用硬件

但是，上述這些架構(gòu)全部基于傳統(tǒng)的微電子芯片，隨著工藝技術(shù)向工藝尺寸的極限逼近，芯片的集成度不斷增加，“摩爾定律”將不再適用，即很難通過(guò)提升集成度提升芯片性能。另外，由于目前的電子計(jì)算硬件采用的處理器的邏輯單元和存儲(chǔ)單元是分立的馮·諾依曼（VonNeumann）結(jié)構(gòu)，這種結(jié)構(gòu)存在馮·諾依曼“瓶頸”（vonNeumann bottleneck），即：當(dāng)算力達(dá)到一定量級(jí)時(shí)，訪問(wèn)存儲(chǔ)單元的速度遠(yuǎn)遠(yuǎn)小于邏輯單元處理數(shù)據(jù)的速度，即使采用多核并行架構(gòu)也無(wú)法突破速度的極限。

二、“電”向“光”的轉(zhuǎn)變

為了突破電子芯片的一系列弊端，相關(guān)研究者們開(kāi)始考慮從“電”向“光”的轉(zhuǎn)化，利用光子（photon）作為硬件的載體，用光計(jì)算去代替?zhèn)鹘y(tǒng)電子計(jì)算中的計(jì)算密集型操作，從而提高算力，降低能耗。

光可以來(lái)做載體主要是因?yàn)槠溆幸韵聝?yōu)勢(shì)：首先，光子是玻色子，其物理特性決定了其不易被擾動(dòng)；而電子是費(fèi)米子，容易被擾動(dòng)。其次，光信號(hào)具有高速率的特點(diǎn)，可以保證足夠高的計(jì)算速度，幾乎沒(méi)有延遲。此外，光波可以通過(guò)時(shí)間、空間、波長(zhǎng)、偏振、模式進(jìn)行復(fù)用，提供天然的并行計(jì)算能力。最后，光學(xué)器件（尤其是無(wú)源器件），幾乎不消耗任何能量，解決了困擾高性能計(jì)算的能耗問(wèn)題。

圖4 光計(jì)算的主要優(yōu)勢(shì)

三、全光 VS 光電混合

目前，根據(jù)神經(jīng)元內(nèi)信號(hào)的物理表現(xiàn)，光作為硬件的載體的方式可分為兩大類(lèi)：光-電-光（光電混合）與全光。

全光的方式即依賴(lài)于許多材料中出現(xiàn)的半導(dǎo)體載流子或光敏性，不涉及將神經(jīng)元信號(hào)表表示為電流的過(guò)程。例如，德國(guó)明斯特大學(xué)Feldmann 在2019年提出了一種包含140個(gè)相變微環(huán)光開(kāi)關(guān)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可實(shí)現(xiàn)簡(jiǎn)單的英文字母識(shí)別。但從目前來(lái)看，相變材料自身通常有一定的使用壽命限制，從而導(dǎo)致該硬件難以長(zhǎng)期工作；并且相變材料通常對(duì)應(yīng)的響應(yīng)速度也較慢，難以實(shí)現(xiàn)足夠高的計(jì)算速度；除此之外，利用光敏性的實(shí)現(xiàn)也存在著一系列問(wèn)題?？偟膩?lái)說(shuō)，由于光學(xué)元件的精度要求大，進(jìn)行邏輯運(yùn)算成本也高，在處理信號(hào)的方面沒(méi)有電信號(hào)來(lái)得方便，這些限制了全光運(yùn)算的發(fā)展，導(dǎo)致全光難以取代電成為計(jì)算硬件的主流。

圖5 光電混合計(jì)算示意圖

而光電混合計(jì)算更像是取光和電兩者所長(zhǎng)的結(jié)果。舉例來(lái)說(shuō)，一個(gè)具體的實(shí)現(xiàn)方式是保持輸入數(shù)據(jù)仍然是數(shù)字信號(hào)，首先用數(shù)模轉(zhuǎn)換器轉(zhuǎn)成模擬電信號(hào)去驅(qū)動(dòng)光芯片上的光調(diào)制器，矩陣計(jì)算則是用光信號(hào)完成，之后的非線性運(yùn)算則需把光信號(hào)再轉(zhuǎn)回到數(shù)字信號(hào)進(jìn)行。事實(shí)上，雖然這樣的來(lái)回光電信號(hào)切換增加了功耗，但對(duì)于光芯片內(nèi)的距離來(lái)說(shuō)，光損耗幾乎可以忽略不計(jì)。因此，光連接中不存在像電連接中與每個(gè)連接長(zhǎng)度成正比的能量成本，而是預(yù)先耗費(fèi)從電領(lǐng)域轉(zhuǎn)換到光領(lǐng)域再返回的能量成本，因而只要E/O/E轉(zhuǎn)換的成本低于在相同距離上給金屬線充電的成本，光電混合計(jì)算就能在效率上擊敗電計(jì)算。綜上所述，現(xiàn)階段的商用硬件，光電混合計(jì)算仍是最佳選擇。

圖6 光子核架構(gòu)示意圖

四、硅基光電子計(jì)算

而要具體實(shí)現(xiàn)光電混合計(jì)算，首先要考慮光芯片的平臺(tái)。傳統(tǒng)光電子芯片主要基于InP等三五族平臺(tái)，而大部分微電子器件基于硅的平臺(tái)，如果要把這些不同材料平臺(tái)的器件集成到一起往往是非常困難的。因此，相關(guān)研究者們?cè)俅螌⒛抗馔断蛄嗽谖㈦娮宇I(lǐng)域并取得了成功——具有一系列優(yōu)勢(shì)的硅材料：首先，硅材料的地表儲(chǔ)存量十分巨大，其材料成本十分低廉；其次，硅材料的折射率較大（約為3.5左右），可以獲得更小的彎曲半徑以實(shí)現(xiàn)結(jié)構(gòu)非常緊湊的集成光學(xué)器件；此外，硅材料的機(jī)械性能、耐高溫能力非常好，便于各種加工和封裝。最后，最重要的是相比于傳統(tǒng)的三五族器件，集成度更好，并且與互補(bǔ)金屬氧化物半導(dǎo)體（COMS）工藝兼容。

目前，硅基光電子技術(shù)不斷發(fā)展。國(guó)內(nèi)外眾多高校和企業(yè)都在研究硅基光子學(xué)，并在技術(shù)優(yōu)勢(shì)和現(xiàn)實(shí)需求的推動(dòng)下，許多高性能的光學(xué)關(guān)鍵器件：波導(dǎo)（Waveguide）、光耦合器（Coupler）、偏振分束器、模式轉(zhuǎn)換器、高速電光調(diào)制器、濾波器（Filter）、鍺探測(cè)器、光開(kāi)關(guān)均有報(bào)道，其中大部分部件的性能已經(jīng)達(dá)到甚至超過(guò)同期商業(yè)化的產(chǎn)品，為商用光電混合計(jì)算的實(shí)現(xiàn)提供了先決條件，進(jìn)而將由電芯片和硅光芯片通過(guò)2.5D或3D封裝堆疊組成光電混合計(jì)算的硬件推向市場(chǎng)。

圖7 硅基光電計(jì)算封裝示意圖

總結(jié)來(lái)說(shuō)，硅基光電混合技術(shù)既利用了光技術(shù)的優(yōu)點(diǎn)，同時(shí)又可以結(jié)合電領(lǐng)域的技術(shù)進(jìn)行數(shù)據(jù)處理，最終實(shí)現(xiàn)在提升計(jì)算速度的同時(shí)也可以降低運(yùn)行功耗。而在未來(lái)的發(fā)展過(guò)程中，硅基光電子混合集成芯片一定會(huì)為人工智能領(lǐng)域以及計(jì)算硬件帶來(lái)重大的產(chǎn)業(yè)升級(jí)。