柯 特，朱 盈，彭楚宇，胡 曉，肖 希

(中國(guó)信息通信科技集團(tuán)有限公司 光纖通信技術(shù)和網(wǎng)絡(luò)國(guó)家重點(diǎn)實(shí)驗(yàn)室，武漢 430074)

0 引 言

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)是一種運(yùn)算模型，用以對(duì)生物神經(jīng)系統(tǒng)結(jié)構(gòu)和功能進(jìn)行抽象和模擬，在信息處理和模式識(shí)別等領(lǐng)域發(fā)揮著重要作用[1]?，F(xiàn)代神經(jīng)科學(xué)的實(shí)驗(yàn)表明，許多生物神經(jīng)系統(tǒng)都采用神經(jīng)元發(fā)放脈沖的時(shí)間來(lái)編碼信息[2-3]，脈沖信號(hào)在神經(jīng)系統(tǒng)中的運(yùn)動(dòng)是大腦進(jìn)行思維的基礎(chǔ)[4]。因此，根據(jù)現(xiàn)代神經(jīng)科學(xué)的最新研究成果，更具生物可解釋性的第3代ANN——脈沖神經(jīng)網(wǎng)絡(luò)(Spiking Neural Networks,SNN)應(yīng)運(yùn)而生。SNN具有計(jì)算量小、對(duì)噪聲魯棒性強(qiáng)的優(yōu)勢(shì)，其應(yīng)用已涉及信息處理的各個(gè)領(lǐng)域并取得了較大進(jìn)展。SNN適合于硬件實(shí)現(xiàn)，近十年來(lái)隨著光學(xué)器件技術(shù)和工藝的進(jìn)步，結(jié)合光學(xué)優(yōu)勢(shì)克服電學(xué)瓶頸的光子SNN正逐步取得發(fā)展。

本文介紹了脈沖神經(jīng)元的建模機(jī)制，SNN的學(xué)習(xí)機(jī)制和軟硬件實(shí)現(xiàn)，重點(diǎn)介紹了光子SNN基于不同光學(xué)器件的實(shí)現(xiàn)方案，進(jìn)而對(duì)光子SNN的發(fā)展進(jìn)行總結(jié)與展望。

1 SNN

生物神經(jīng)元具有對(duì)內(nèi)外刺激做出響應(yīng)的能力，而脈沖神經(jīng)元模仿生物神經(jīng)元的工作模式，圖1 所示為脈沖神經(jīng)元模型。圖1(a)展示了一個(gè)生物神經(jīng)元通過(guò)大量的樹(shù)突接收其他神經(jīng)元的軸突發(fā)放的各不相同的動(dòng)作電位，即脈沖序列，并對(duì)它們進(jìn)行整合從而使得軸突發(fā)放一定時(shí)間間隔的輸出脈沖序列，該輸出脈沖序列又成為與之連接的下一個(gè)神經(jīng)元的輸入脈沖序列。真實(shí)的生物神經(jīng)元形態(tài)和動(dòng)力學(xué)特征十分復(fù)雜，對(duì)其進(jìn)行高維建模則很難進(jìn)行數(shù)學(xué)分析，不利于大規(guī)模SNN的組網(wǎng)和研究，因此，研究者對(duì)脈沖神經(jīng)元建立了狀態(tài)變量微分方程模型并對(duì)其進(jìn)行簡(jiǎn)化從而提出多種影響較大的脈沖神經(jīng)元模型[5-16]，圖1(b)所示的泄露積分發(fā)放(Leaky Intergrate-and-Fire,LIF)神經(jīng)元模型是目前普遍公認(rèn)的在生物真實(shí)性和實(shí)現(xiàn)簡(jiǎn)化性方面取得最佳平衡效果的神經(jīng)元模型[17]，長(zhǎng)期以來(lái)在包括光子SNN的神經(jīng)計(jì)算領(lǐng)域得到了廣泛的應(yīng)用。

脈沖神經(jīng)元的連接構(gòu)成了SNN，在SNN的學(xué)習(xí)機(jī)制方面，通常認(rèn)為具有兩種學(xué)習(xí)機(jī)制：即在無(wú)標(biāo)簽數(shù)據(jù)的情況下進(jìn)行無(wú)監(jiān)督訓(xùn)練和在標(biāo)簽數(shù)據(jù)的情況下進(jìn)行監(jiān)督訓(xùn)練。在無(wú)監(jiān)督學(xué)習(xí)中，脈沖時(shí)序依賴(lài)可塑性(Spike-Timing-Dependent Plasticity,STDP)算法與生物學(xué)習(xí)機(jī)制密切相關(guān)[18-20]，是一種基于突觸前脈沖和突觸后脈沖的時(shí)序來(lái)調(diào)整神經(jīng)元之間連接強(qiáng)度的機(jī)制[21-24]，圖1(c)所示當(dāng)突觸前脈沖先于突觸后脈沖發(fā)放(tpretpost)神經(jīng)元連接強(qiáng)度減弱，神經(jīng)元連接強(qiáng)度變化(Δw)的絕對(duì)值與脈沖發(fā)放時(shí)間差(Δt)成反比。在監(jiān)督學(xué)習(xí)中，目前比較著名的監(jiān)督學(xué)習(xí)算法有SpikeProp[25]、Tempotron[26]、ReSuMe[27]、突觸權(quán)重關(guān)聯(lián)訓(xùn)練(Synaptic Weight Association Training,SWAT)[28]、Chronotron[29]、脈沖模式關(guān)聯(lián)神經(jīng)元(Spike Pattern Association Neuron,SPAN)[30]和精確脈沖驅(qū)動(dòng)(Precise Spike Driven, PSD)[31]算法，這些監(jiān)督學(xué)習(xí)算法主要基于梯度下降、STDP機(jī)制或脈沖序列卷積[32]。

圖1 脈沖神經(jīng)元模型

在基于軟件實(shí)現(xiàn)SNN方面，北京大學(xué)信息科學(xué)技術(shù)學(xué)院數(shù)字媒體所媒體學(xué)習(xí)組和鵬城實(shí)驗(yàn)室聯(lián)合開(kāi)發(fā)了SpikingJelly框架，該框架基于PyTorch并采用SNN進(jìn)行深度學(xué)習(xí)，已應(yīng)用于物體檢測(cè)任務(wù)并實(shí)現(xiàn)了較好的效果[33]。此外，Eshraghian團(tuán)隊(duì)[34]開(kāi)發(fā)的SNN深度學(xué)習(xí)框架snnTorch亦被深度學(xué)習(xí)界廣泛使用。但使用上述框架在圖形處理器(Graphics Processing Unit，GPU)等通用硬件上對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)，數(shù)據(jù)集的“0-1”脈沖序列編碼被GPU等通用硬件當(dāng)作普通實(shí)值進(jìn)行矩陣運(yùn)算，從而無(wú)法體現(xiàn)SNN的優(yōu)勢(shì)。

在基于硬件實(shí)現(xiàn)SNN方面，具有代表性的成果包括：英國(guó)曼徹斯特大學(xué)的SpiNNaker[35]、德國(guó)海倫堡大學(xué)的HiCANN[36]、美國(guó)斯坦福大學(xué)的Neurogrid[37]、IBM公司的True-North[38]、Intel公司的Loihi[39]、我國(guó)浙江大學(xué)的Darwin[40]以及清華大學(xué)的Tianjic[41]，以上神經(jīng)形態(tài)的硬件實(shí)現(xiàn)摒棄馮·諾依曼架構(gòu)而采用存算一體的方式并結(jié)合SNN設(shè)計(jì)，實(shí)現(xiàn)學(xué)習(xí)、感知、推理和預(yù)測(cè)的人工智能行為。然而，受限于電子瓶頸以及摩爾定律的放緩，電子類(lèi)腦硬件難以進(jìn)一步提高SNN的計(jì)算速度和能效[42]。

2 光子SNN

相較于傳統(tǒng)電子計(jì)算芯片面臨制程接近摩爾定律極限所帶來(lái)的瓶頸和約束，光具有高帶寬、高速率、低延時(shí)和低功耗的優(yōu)良特性，因而利用光的上述優(yōu)勢(shì)集成光子SNN，進(jìn)而實(shí)現(xiàn)學(xué)習(xí)、感知、推理和預(yù)測(cè)等功能，已成為當(dāng)今信息處理領(lǐng)域多學(xué)科融合的熱門(mén)方向，國(guó)內(nèi)外的多個(gè)研究團(tuán)隊(duì)開(kāi)展了深入研究并已取得較為豐富的成果。本文以下內(nèi)容將介紹多種光子SNN，按照實(shí)現(xiàn)器件分類(lèi)，包括半導(dǎo)體光放大器(Semiconductor Optical Amplifier,SOA)實(shí)現(xiàn)方案、電吸收調(diào)制器(Electro Absorption Modulator,EAM)實(shí)現(xiàn)方案、激光器實(shí)現(xiàn)方案、微環(huán)實(shí)現(xiàn)方案以及其他實(shí)現(xiàn)方案。

2.1 SOA實(shí)現(xiàn)方案

2009年，美國(guó)普林斯頓大學(xué)Fok研究團(tuán)隊(duì)[43]首次提出了光子LIF神經(jīng)元，開(kāi)辟了光子SNN的研究領(lǐng)域。經(jīng)過(guò)多次完善，2011年，該團(tuán)隊(duì)設(shè)計(jì)了圖2所示的實(shí)驗(yàn)來(lái)實(shí)現(xiàn)基于SOA的光子LIF神經(jīng)元[44]，其核心思想是建立SOA載流子密度變化和LIF神經(jīng)元膜電位變化之間的對(duì)應(yīng)關(guān)系來(lái)實(shí)現(xiàn)光子LIF神經(jīng)元。輸入脈沖經(jīng)可調(diào)光衰進(jìn)行加權(quán)和可調(diào)延時(shí)線(xiàn)進(jìn)行延時(shí)后通過(guò)50∶50耦合器耦合形成一路輸入信號(hào)(圖2中A處)，輸入信號(hào)與波長(zhǎng)為λ1的采樣脈沖同步進(jìn)入SOA。由于采樣脈沖的能量很小，因此它對(duì)SOA增益的影響相比輸入信號(hào)可忽略不計(jì)。由于SOA內(nèi)部的交叉增益調(diào)制(Cross Gain Modulation，XGM)，輸入信號(hào)會(huì)導(dǎo)致SOA的增益突然下降，SOA輸出的采樣脈沖(圖2中B處)能量隨之降低；隨后SOA的增益逐漸恢復(fù)，采樣脈沖的輸出功率也逐漸提升。SOA輸出處的帶通光譜濾波器使得只有波長(zhǎng)為λ1的采樣脈沖經(jīng)摻鉺光纖放大器(Erbium Doped Fiber Amplifier, EDFA)放大和偏振控制器(Polarization Controller, PC)后輸出至由長(zhǎng)度為10.5 m的高摻雜GeO2(HD)非線(xiàn)性光纖所構(gòu)成的閾值判決器1，對(duì)低于設(shè)定閾值的光信號(hào)進(jìn)行過(guò)濾從而輸出清晰的脈沖序列，然后由太赫茲光非對(duì)稱(chēng)解復(fù)用器(Teraherz Optical Asymmetric Demultiplexer, TOAD)對(duì)閾值判決器1的輸出(圖2中C處)進(jìn)行反轉(zhuǎn)，閾值判決器1的輸出脈沖作為T(mén)OAD的控制信號(hào)，在該控制信號(hào)所制造的轉(zhuǎn)換窗口內(nèi)波長(zhǎng)為λ2的采樣脈沖作為T(mén)OAD的輸出信號(hào)從而實(shí)現(xiàn)信號(hào)的反轉(zhuǎn)。TOAD的反轉(zhuǎn)作用實(shí)現(xiàn)了光信號(hào)的恢復(fù)，使得輸出波長(zhǎng)完全獨(dú)立于輸入波長(zhǎng)。此外，由于對(duì)信號(hào)的反轉(zhuǎn)會(huì)帶來(lái)一定程度的信號(hào)劣化，在神經(jīng)網(wǎng)絡(luò)的傳播過(guò)程中這種劣化會(huì)積累進(jìn)而導(dǎo)致類(lèi)腦計(jì)算錯(cuò)誤，從而在TOAD的輸出端對(duì)光信號(hào)進(jìn)行第二次閾值處理。

圖2 基于SOA的光子LIF神經(jīng)元[44]

上述實(shí)驗(yàn)雖然實(shí)現(xiàn)了基于SOA的光子LIF神經(jīng)元模型，但兩個(gè)閾值判決器使得LIF神經(jīng)元模型的實(shí)現(xiàn)過(guò)于復(fù)雜和昂貴，且沒(méi)有實(shí)現(xiàn)對(duì)神經(jīng)元的抑制性輸入。針對(duì)上述問(wèn)題，該團(tuán)隊(duì)提出了圖3所示的基于SOA的對(duì)稱(chēng)光子神經(jīng)元結(jié)構(gòu)[44]。該結(jié)構(gòu)包含兩個(gè)SOA，SOA1接收興奮性輸入，SOA2在接收抑制性輸入的同時(shí)接收SOA1的輸出?；赟OA的對(duì)稱(chēng)光子神經(jīng)元的輸出可以視為單獨(dú)興奮性輸入和單獨(dú)抑制性輸入結(jié)果的疊加，當(dāng)且僅當(dāng)興奮性輸入存在而抑制性輸入不存在時(shí)，基于SOA的對(duì)稱(chēng)光子神經(jīng)元才發(fā)放脈沖。

圖3 同時(shí)接收興奮性輸入和抑制性輸入的對(duì)稱(chēng)光子神經(jīng)元結(jié)構(gòu)[44]

基于SOA的光子脈沖神經(jīng)元性能受載流子生存時(shí)間和脈沖發(fā)放后恢復(fù)時(shí)間的影響，現(xiàn)代SOA的載流子生存時(shí)間可低至10 ps，恢復(fù)時(shí)間可低至25 ps，實(shí)驗(yàn)所用SOA的恢復(fù)時(shí)間從小于100 ps到近似500 ps，可輸出皮秒級(jí)脈寬。

與此同時(shí)，國(guó)內(nèi)也有北京大學(xué)和西安電子科技大學(xué)等高校開(kāi)展了相關(guān)研究。2015年，北京大學(xué)趙建業(yè)教授團(tuán)隊(duì)[45]進(jìn)行了基于SOA的光子STDP的實(shí)驗(yàn)，其實(shí)驗(yàn)結(jié)構(gòu)框圖如圖4所示。鎖模激光器(Mode-locked Laser,MLL)作為脈沖源，其輸出光經(jīng)兩個(gè)帶通濾波器輸出波長(zhǎng)為λ1和λ2的光并分別被用作突觸前脈沖和突觸后脈沖，兩束光之間的相對(duì)時(shí)延由一個(gè)可變光延遲線(xiàn)(Optical Delay Line,ODL)控制，突觸前脈沖和突觸后脈沖由一個(gè)90∶10的光耦合器分開(kāi)，形成的強(qiáng)脈沖作為信號(hào)脈沖，弱脈沖作為探測(cè)脈沖，突觸前探測(cè)脈沖和突觸后信號(hào)脈沖進(jìn)入SOA1，突觸前信號(hào)脈沖和突觸后探測(cè)脈沖進(jìn)入SOA2，信號(hào)脈沖進(jìn)入SOA之前，通過(guò)電流注入對(duì)應(yīng)于載流子密度的SOA增益被保持在一個(gè)常數(shù)值，信號(hào)脈沖進(jìn)入SOA之后，載流子密度由于受激發(fā)射而下降，這個(gè)持續(xù)數(shù)ps的過(guò)程被稱(chēng)為增益飽和。脈沖通過(guò)后，表征SOA增益的載流子密度將由來(lái)源于外部電流注入的載流子而恢復(fù)，一般恢復(fù)時(shí)間將持續(xù)幾百ps，增益恢復(fù)的動(dòng)態(tài)特性由探測(cè)脈沖采樣，探測(cè)脈沖通過(guò)光帶通濾波器從SOA的輸出提取，然后通過(guò)光電探測(cè)器(PhotoDetector, PD)探測(cè)。圖5所示為基于SOA的光子STDP實(shí)現(xiàn)機(jī)制，如果探測(cè)脈沖在信號(hào)脈沖到來(lái)之前進(jìn)入SOA(圖5中Ⅱ、Ⅲ所示)，那么探測(cè)信號(hào)被正常放大且不被載流子損耗所影響，如果探測(cè)脈沖在信號(hào)脈沖之后的幾百ps以?xún)?nèi)到達(dá)SOA(圖5中Ⅰ、Ⅳ所示)，那么此時(shí)探測(cè)信號(hào)的輸出功率將弱于正常放大的功率，SOA1構(gòu)成圖5(左)的波形，SOA2構(gòu)成圖5(中)的波形，SOA1構(gòu)成的波形和SOA2構(gòu)成的波形相減之后形成圖5(右)所示的STDP特征。該團(tuán)隊(duì)所用MLL脈沖發(fā)放頻率為100 MHz，因此脈沖發(fā)放間隔為10 ns，遠(yuǎn)大于實(shí)驗(yàn)所用SOA的恢復(fù)時(shí)間25 ps，突觸前脈沖和突觸后脈沖的相對(duì)時(shí)延Δt在-400～400 ps之間可調(diào)。

圖4 基于SOA的光子STDP實(shí)驗(yàn)結(jié)構(gòu)框圖[45]

圖5 基于SOA的光子STDP實(shí)現(xiàn)機(jī)制[45]

2021年，我國(guó)西南大學(xué)鄧濤教授團(tuán)隊(duì)[46]提出利用垂直腔半導(dǎo)體光放大器(Vertical-Cavity Semiconductor Optical Amplifier, VCSOA)對(duì)上述實(shí)驗(yàn)進(jìn)行改進(jìn)，相比于傳統(tǒng)的平面SOA，VCSOA所需的偏置電流和輸入功率都更低。

2.2 EAM實(shí)現(xiàn)方案

2012年，美國(guó)普林斯頓大學(xué)Fok研究團(tuán)隊(duì)[47]提出了一種混合模/數(shù)的光子脈沖神經(jīng)元，并首次利用EAM構(gòu)建光子脈沖神經(jīng)元，其實(shí)現(xiàn)原理圖如圖6所示，該光子脈沖神經(jīng)元由一個(gè)作為積分器的EAM、一個(gè)基于四波混頻(Four-WaveMixing, FWM)的異步脈沖源發(fā)生器以及一個(gè)基于高鍺摻雜非線(xiàn)性環(huán)路鏡(Ge-doped NLM)的閾值判決器組成。圖6中Ⅰ處波長(zhǎng)為1 550.12 nm的N路輸入信號(hào)進(jìn)行加權(quán)和延時(shí)并由圖6中Ⅱ處的光耦合器進(jìn)行耦合。圖6中Ⅲ處所示少部分混合信號(hào)通過(guò)FWM構(gòu)成脈沖光源，一個(gè)分布反饋式激光器二極管(Laser Diode, LD)發(fā)出1 547.21 nm的連續(xù)波光信號(hào)作為FWM的泵浦，當(dāng)輸入信號(hào)和泵浦同時(shí)存在時(shí)FWM發(fā)生，由此新產(chǎn)生的1 544.30 nm波長(zhǎng)的光信號(hào)構(gòu)成了脈沖光源。圖6中Ⅳ所示混合信號(hào)和脈沖光源的發(fā)光進(jìn)入EAM，輸入信號(hào)的能量積累于EAM，EAM的輸出表征脈沖源的強(qiáng)度。EAM的輸出脈沖進(jìn)入圖6中Ⅴ處的閾值判決器，閾值判決器濾除低于閾值的弱脈沖，高于閾值的強(qiáng)脈沖則以圖6中Ⅵ處的閾值輸出。該團(tuán)隊(duì)的研究成果使得神經(jīng)元的輸出不再受限于脈沖源的采樣速率，實(shí)現(xiàn)了神經(jīng)元的異步響應(yīng)。信號(hào)在EAM的累積基于負(fù)偏置EAM的有限交叉調(diào)制恢復(fù)時(shí)間，負(fù)偏置越大相應(yīng)的恢復(fù)時(shí)間越低。該團(tuán)隊(duì)所用EAM負(fù)偏置最大可調(diào)至-3 V，相應(yīng)恢復(fù)時(shí)間最低可為約10 ps，產(chǎn)生50 ps的累積窗口進(jìn)而實(shí)現(xiàn)ps級(jí)的脈寬。

圖6 基于EAM的異步光子脈沖神經(jīng)元的實(shí)現(xiàn)[47]

2013年，該研究團(tuán)隊(duì)利用具有飽和吸收體的EAM和SOA完成了STDP的ps級(jí)實(shí)現(xiàn)[48]，其實(shí)驗(yàn)結(jié)構(gòu)框圖及實(shí)現(xiàn)機(jī)制圖如圖7所示。圖7(a)所示突觸前脈沖和突觸后脈沖分離，突觸前脈沖絕大部分進(jìn)入EAM，突觸后脈沖絕大部分進(jìn)入SOA。圖7(b)中Ⅰ所示當(dāng)突觸后脈沖先于突觸前脈沖發(fā)放時(shí)，突觸后脈沖進(jìn)入SOA導(dǎo)致SOA增益的迅速下降，如果突觸前脈沖緊隨突觸后脈沖到來(lái)，那么SOA的輸出功率會(huì)最低，反之，如果突觸前脈沖的發(fā)放時(shí)間遠(yuǎn)在突觸后脈沖發(fā)放時(shí)間之后，那么隨著時(shí)間的增加SOA的增益會(huì)逐漸恢復(fù)，SOA的輸出功率也會(huì)增加，此時(shí)對(duì)于EAM，圖7(c)中Ⅲ所示由于EAM反向偏壓的存在，在突觸前強(qiáng)脈沖到來(lái)之前EAM無(wú)法對(duì)突觸后弱脈沖進(jìn)行飽和吸收，導(dǎo)致EAM的輸出功率很低。圖7(b)中Ⅱ所示當(dāng)突觸前脈沖先于突觸后脈沖發(fā)放時(shí)，突觸弱脈沖不會(huì)導(dǎo)致SOA增益下降，因此輸出功率保持不變，對(duì)于EAM，圖7(c)中Ⅳ所示當(dāng)突觸后脈沖緊隨突觸前脈沖到來(lái)時(shí)，強(qiáng)烈的飽和吸收作用于突觸后脈沖導(dǎo)致EAM輸出強(qiáng)脈沖，由于反向偏壓的存在，EAM的吸收逐漸建立，導(dǎo)致突觸后脈沖的輸出功率逐漸降低。將圖7中Ⅰ～Ⅳ所實(shí)現(xiàn)的效果線(xiàn)性疊加即可實(shí)現(xiàn)(圖7(d)所示)基于SOA和EAM的光子STDP，實(shí)驗(yàn)所用突觸前脈沖和突觸后脈沖的功率都為10 dBm左右，脈寬都為5 ps左右，相對(duì)時(shí)延在-300～300 ps之間可調(diào)。

圖7 基于SOA和EAM實(shí)現(xiàn)光子STDP[48]

2.3 激光器實(shí)現(xiàn)方案

2.3.1 DFB激光器實(shí)現(xiàn)方案

2013年，美國(guó)普林斯頓大學(xué)Nahmias團(tuán)隊(duì)[49]首次提出利用嵌入可飽和吸收(Saturable Absorber, SA)的分布反饋式(Distributed FeedBack,DFB)激光器(DFB-SA)和光電探測(cè)器來(lái)模擬LIF神經(jīng)元模型，其實(shí)驗(yàn)結(jié)構(gòu)框圖及原理圖如圖8 所示。圖8(a)所示該模型主要由3個(gè)部分組成：兩個(gè)PD和1個(gè)激光器，PD接收的興奮性輸入和抑制性輸入綜合作用產(chǎn)生可以調(diào)制激光器增益模塊載流子注入的輸入電流并通過(guò)SA輸出光脈沖。DFB-SA作為閾值判決器和脈沖生成器其行為類(lèi)似于真實(shí)的生物神經(jīng)元軸突。圖8(b)所示輸入脈沖作用于PD產(chǎn)生的電流擾動(dòng)調(diào)制增益，足夠的興奮積累導(dǎo)致脈沖的輸出，緊隨而來(lái)的是一個(gè)短暫的不應(yīng)期，與此伴隨的是增益載流子濃度的下降和SA載流子濃度的上升。2015年，該研究團(tuán)隊(duì)繼續(xù)對(duì)上述實(shí)驗(yàn)進(jìn)行擴(kuò)展[50]，圖8(c)所示通過(guò)波分復(fù)用(Wavelength Division Multiplexing, WDM)技術(shù)多路輸入脈沖在同一波導(dǎo)傳播，通過(guò)一組可調(diào)光譜濾波器對(duì)不同波長(zhǎng)的脈沖信號(hào)在光域進(jìn)行興奮加權(quán)或抑制加權(quán)后再次集成在同一波導(dǎo)進(jìn)入平衡光電探測(cè)器(Balanced PhotoDetector, B-PD)。WDM技術(shù)的使用實(shí)現(xiàn)了神經(jīng)元的多路輸入進(jìn)而可實(shí)現(xiàn)光子脈沖神經(jīng)元的大規(guī)模片上集成。2020年，該團(tuán)隊(duì)進(jìn)一步將基于DFB-SA的LIF神經(jīng)元模型集成到Ⅲ-Ⅴ族光子集成電路中[51]。

圖8 基于DFB-SA實(shí)現(xiàn)LIF神經(jīng)元[49-50]

2020年，我國(guó)上海交通大學(xué)鄒衛(wèi)文教授團(tuán)隊(duì)[52]使用DFB-LD實(shí)現(xiàn)了基于單波長(zhǎng)的光子STDP，其實(shí)驗(yàn)結(jié)構(gòu)框圖和結(jié)果曲線(xiàn)如圖9所示。圖9(a)所示輸入波形由任意波形發(fā)生器(Arbitrary Waveform Generator, AWG)提供，DFB-LD由一個(gè)具有150 kHz外部調(diào)制帶寬的LD控制器驅(qū)動(dòng)，隨后的可調(diào)光衰用于調(diào)整B-PD的輸入光功率，最后由示波器監(jiān)控輸出信號(hào)。圖9(b)和9(c)所示低幅度的脈沖為突觸前脈沖，高幅度的脈沖為突觸后脈沖。當(dāng)突觸后脈沖先于突觸前脈沖發(fā)放時(shí)，B-PD的輸出有兩個(gè)波峰，兩個(gè)波峰幅度之差構(gòu)成了圖9(d)所示的STDP曲線(xiàn)tpost-tpre<0的部分。當(dāng)突觸前脈沖先于突觸后脈沖發(fā)放時(shí)，B-PD的輸出有一個(gè)波峰，該波峰的幅度構(gòu)成了圖9(d)所示的STDP曲線(xiàn)tpost-tpre>0的部分。圖9(e)所示當(dāng)突觸后脈沖幅度上升時(shí)STDP曲線(xiàn)隨之整體上升。圖9(f)所示突觸前脈沖幅度上升時(shí)，STDP曲線(xiàn)tpost-tpre>0的部分保持穩(wěn)定而tpost-tpre<0的部分會(huì)下降，因此可以將突觸前脈沖和突觸后脈沖的幅度作為可調(diào)參數(shù)來(lái)調(diào)節(jié)STDP曲線(xiàn)。

圖9 基于DFB-LD實(shí)現(xiàn)光子STDP[52]

2.3.2 嵌入石墨烯可飽和吸收體(GSA)的可激發(fā)激光器實(shí)現(xiàn)方案

2013年，美國(guó)普林斯頓大學(xué)Shastri等人[53]首次提出基于可飽和吸收體(Graphene Saturable Absorption,GSA)的可激發(fā)激光器實(shí)現(xiàn)光子脈沖神經(jīng)元，其實(shí)現(xiàn)原理圖如圖10所示。該團(tuán)隊(duì)進(jìn)行了圖10(a)所示的實(shí)驗(yàn)，波長(zhǎng)為980 nm的泵浦光經(jīng)由一個(gè)980/1 550 nm的WDM耦合器進(jìn)入摻鉺光纖(Erbium Doped Fiber, EDF)以保持其載流子濃度，用以放大通過(guò)1 480/1 550 nm的WDM耦合器進(jìn)入環(huán)路的興奮性脈沖。隔離器確保激光器中光信號(hào)的單向傳輸。激光器的脈沖通過(guò)一個(gè)80∶20的耦合器輸出。圖10(b)所示的結(jié)果驗(yàn)證了當(dāng)有足夠的興奮性光(藍(lán)色)輸入石墨烯增益區(qū)提升了載流子濃度后，環(huán)路將激射出脈沖(紅色)。

圖10 石墨烯可激發(fā)激光器的實(shí)現(xiàn)[53-54]

2016年，該團(tuán)隊(duì)在前期實(shí)現(xiàn)石墨烯可激發(fā)激光器作為L(zhǎng)IF神經(jīng)元的基礎(chǔ)上實(shí)現(xiàn)了簡(jiǎn)單時(shí)間模式檢測(cè)任務(wù)[54]，其原理圖如圖11所示。兩個(gè)石墨烯可激發(fā)激光器級(jí)聯(lián)，輸入為一對(duì)時(shí)間間隔為Δt的脈沖，脈沖經(jīng)過(guò)第一個(gè)激光器后通過(guò)數(shù)千米長(zhǎng)的單模光纖(Single Mode Fiber, SMF)產(chǎn)生延時(shí)τ，當(dāng)Δt≈τ時(shí)第2個(gè)激光器發(fā)放脈沖，兩個(gè)激光器之間通過(guò)一個(gè)PD而非直接的光輸入用以調(diào)制激光驅(qū)動(dòng)器，這種PD驅(qū)動(dòng)架構(gòu)有利于大規(guī)模片上神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)。與此同時(shí)，該團(tuán)隊(duì)還實(shí)現(xiàn)了基于石墨烯可激發(fā)激光器的LIF神經(jīng)元實(shí)現(xiàn)反饋回路，其原理圖如圖12所示。通過(guò)作為延時(shí)單元的SMF將輸出反饋給輸入，電加權(quán)單元控制光/電探測(cè)器的調(diào)制深度，用以根據(jù)是否高于閾值來(lái)提供全響應(yīng)或無(wú)響應(yīng)。脈沖可以在反饋回路中循環(huán)傳播。反饋回路的實(shí)現(xiàn)表明基于石墨烯可激發(fā)激光器的LIF神經(jīng)元具備多級(jí)聯(lián)和信息記憶的能力，這種能力是實(shí)現(xiàn)多層神經(jīng)網(wǎng)絡(luò)進(jìn)而實(shí)現(xiàn)復(fù)雜信息處理任務(wù)的基礎(chǔ)。

圖11 基于石墨烯可激發(fā)激光器的LIF神經(jīng)元實(shí)現(xiàn)時(shí)間模式檢測(cè)任務(wù)[54]

圖12 基于石墨烯可激發(fā)激光器的LIF神經(jīng)元實(shí)現(xiàn)反饋回路[54]

2018年，該團(tuán)隊(duì)在前期實(shí)現(xiàn)基于石墨烯可激發(fā)激光器的LIF神經(jīng)元基礎(chǔ)上對(duì)實(shí)驗(yàn)進(jìn)行了進(jìn)一步的改進(jìn)[55]，其原理圖如圖13所示。

圖13 同時(shí)接收興奮性輸入和抑制性輸入的石墨烯可激發(fā)激光器[55]

AWG1調(diào)制一個(gè)1 480 nm的LD來(lái)生成興奮性輸入，AWG2調(diào)制一個(gè)980 nm的LD來(lái)生成抑制性輸入，此時(shí)的EDF沒(méi)有額外的泵浦輸入。實(shí)驗(yàn)表明興奮性輸入會(huì)導(dǎo)致脈沖輸出，當(dāng)抑制性輸入在時(shí)間上先于興奮性輸入且逐漸接近興奮性輸入時(shí)，脈沖輸出逐漸被壓制到0。

2.3.3 垂直腔面發(fā)射激光器實(shí)現(xiàn)方案

2013年，美國(guó)普林斯頓大學(xué)Nahmias團(tuán)隊(duì)[56]首次提出嵌入SA的垂直腔面發(fā)射激光器(Vertical-Cavity Surface-Emitting Laser, VCSEL)(VCSEL-SA)光子脈沖神經(jīng)元，并從理論上提出這種低功耗、小面積和便于大規(guī)模集成的嵌入SA的可激發(fā)激光器具有LIF神經(jīng)元的動(dòng)力學(xué)行為，其結(jié)構(gòu)示意圖如圖14所示。來(lái)自光纖系統(tǒng)的多路輸入波長(zhǎng)(λ1,λ2,…,λk)信號(hào)通過(guò)光柵耦合器耦合向下進(jìn)入VCSEL-SA，不同波長(zhǎng)的光信號(hào)各自產(chǎn)生興奮或抑制激勵(lì)，波長(zhǎng)為λ0的激勵(lì)脈沖沿VCSEL-SA朝上輸出。2015年，該團(tuán)隊(duì)進(jìn)一步通過(guò)SPICE分析從理論上提出了基于VCSEL-SA的光子脈沖神經(jīng)元等價(jià)電路模型[57]，并在此基礎(chǔ)上進(jìn)一步驗(yàn)證了該等價(jià)電路模型的脈沖輸出神經(jīng)元?jiǎng)恿W(xué)特性。2017年,我國(guó)西南大學(xué)鄧濤團(tuán)隊(duì)[58]設(shè)計(jì)實(shí)驗(yàn)驗(yàn)證了兩個(gè)互連的VCSEL之間可以實(shí)現(xiàn)可控的脈沖傳輸。

圖14 VCSEL-SA結(jié)構(gòu)示意圖[56]

2019年，西安電子科技大學(xué)項(xiàng)水英教授團(tuán)隊(duì)從理論上提出利用VCSEL和VCSOA設(shè)計(jì)雙層光子SNN以實(shí)現(xiàn)基于無(wú)監(jiān)督算法的任意脈沖模式識(shí)別[59]，其結(jié)構(gòu)示意圖及原理圖如圖15所示。圖15(a)所示為嵌入SA的VCSEL構(gòu)成LIF神經(jīng)元(VCSEL1,VCSEL2,…,VCSELn)，突觸連接權(quán)重(W1,W2,…,Wn)通過(guò)由前所述基于VCSOA實(shí)現(xiàn)的STDP陣列進(jìn)行調(diào)整。圖15(b)所示為神經(jīng)網(wǎng)絡(luò)仿真學(xué)習(xí)過(guò)程，時(shí)空脈沖發(fā)放時(shí)刻固定(t1、t2)，訓(xùn)練過(guò)程中噪聲脈沖發(fā)放時(shí)刻隨機(jī)(t3)，突觸后神經(jīng)元的脈沖發(fā)放時(shí)刻(t4)逐漸收斂到首脈沖發(fā)放時(shí)刻t1，圖15(c)所示隨著學(xué)習(xí)的進(jìn)行突觸后脈沖發(fā)放時(shí)刻(Post-Synaptic Spike Timing, PST)、突觸連接權(quán)重(w1、w2、w3)逐漸收斂至固定值，PST與目標(biāo)脈沖輸出時(shí)刻之差sdm逐漸收斂到0，由此驗(yàn)證了基于光子STDP的學(xué)習(xí)規(guī)則對(duì)噪聲的魯棒性，同時(shí)該團(tuán)隊(duì)還驗(yàn)證了由于噪聲脈沖發(fā)放時(shí)刻具有隨機(jī)性，因此實(shí)際需要更多的學(xué)習(xí)周期以達(dá)到收斂，更多的突觸前神經(jīng)元、VCSOA的輸入波長(zhǎng)接近諧振腔的諧振波長(zhǎng)以及提升學(xué)習(xí)速率有利于提升神經(jīng)網(wǎng)絡(luò)的性能，VCSOA更高的偏置電流亦有利于提升神經(jīng)網(wǎng)絡(luò)的性能但要考慮平衡功耗。

圖15 基于VCSEL和VCSOA實(shí)現(xiàn)無(wú)監(jiān)督任意脈沖模式識(shí)別的光子SNN[59]

2021年，該團(tuán)隊(duì)在上述工作的基礎(chǔ)上進(jìn)一步提出基于VCSEL-SA和VCSOA的光子SNN實(shí)現(xiàn)監(jiān)督學(xué)習(xí)分類(lèi)任務(wù)[60]，其結(jié)構(gòu)示意圖如圖16所示?！?-9”為待識(shí)別的10種輸入模式并在實(shí)際訓(xùn)練時(shí)對(duì)輸入模式加上噪聲后進(jìn)行時(shí)空編碼構(gòu)成輸入層神經(jīng)元(PRE1, PRE2，…，PRE-IN)的輸入，每種輸入模式由20×20的像素所構(gòu)成，監(jiān)督信號(hào)為目標(biāo)脈沖，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練由基于STDP和anti-STDP規(guī)則的ReSuMe算法來(lái)執(zhí)行。輸入層神經(jīng)元的輸入、監(jiān)督信號(hào)以及由輸出層神經(jīng)元輸出構(gòu)成的脈沖反饋共同作用通過(guò)上述算法訓(xùn)練神經(jīng)元的連接權(quán)重wij。隨著訓(xùn)練的進(jìn)行輸出層神經(jīng)元(POST1,POST2,…,POST-O)脈沖發(fā)放時(shí)刻會(huì)逐步收斂，最終實(shí)現(xiàn)根據(jù)輸出層神經(jīng)元的脈沖發(fā)放時(shí)刻識(shí)別對(duì)應(yīng)的輸入模式。

圖16 基于VCSEL-SA和VCSOA實(shí)現(xiàn)監(jiān)督學(xué)習(xí)分類(lèi)任務(wù)的光子SNN結(jié)構(gòu)示意圖[60]

同年,該團(tuán)隊(duì)在傳統(tǒng)權(quán)重學(xué)習(xí)基礎(chǔ)上引入突觸延時(shí)可塑性,實(shí)現(xiàn)了基于VCSEL-SA的光子SNN[61]和基于VCSEL-SA的二進(jìn)制卷積光子SNN[62]，實(shí)現(xiàn)了利用基于VCSEL-SA的光子SNN實(shí)現(xiàn)數(shù)獨(dú)求解器[63]。2022年，該團(tuán)隊(duì)又實(shí)現(xiàn)了基于VCSEL-SA的光子SNN用于運(yùn)動(dòng)識(shí)別和方向識(shí)別[64]以及基于VCSEL-SA的多層光子SNN[65]。表1所示為基于激光器的光子脈沖神經(jīng)元關(guān)鍵性能參數(shù)。

表1 基于激光器的光子脈沖神經(jīng)元關(guān)鍵性能參數(shù)

2.3.4 其他激光器實(shí)現(xiàn)方案

2011年，比利時(shí)布魯塞爾自由大學(xué)Coomans團(tuán)隊(duì)[69]提出基于半導(dǎo)體環(huán)形激光器的光子脈沖神經(jīng)元，并從理論上提出通過(guò)光注入觸發(fā)脈沖在可激發(fā)非對(duì)稱(chēng)的半導(dǎo)體環(huán)形激光器內(nèi)部觸發(fā)脈沖的可能性。2013年，葡萄牙阿爾加維大學(xué)Romeira團(tuán)隊(duì)[70]提出包含了由納米級(jí)雙勢(shì)壘量子阱共振隧道二極管所驅(qū)動(dòng)的LD組成光電集成電路在1 550 nm工作波長(zhǎng)條件下生成ns級(jí)光脈沖的能力;2022年，英國(guó)斯特拉斯克萊德大學(xué)Hejda團(tuán)隊(duì)[71]進(jìn)一步提出了基于共振隧道二極管的光子SNN，在時(shí)空脈沖模式分類(lèi)任務(wù)中實(shí)現(xiàn)了94%的分類(lèi)準(zhǔn)確率;2013年，比利時(shí)根特大學(xué)Alexander團(tuán)隊(duì)[72]提出基于微盤(pán)激光器的光子脈沖神經(jīng)元，同年該團(tuán)隊(duì)從理論上驗(yàn)證了微盤(pán)激光器可以對(duì)來(lái)自其他微盤(pán)激光器的興奮性脈沖做出響應(yīng)[73]。2014年，法國(guó)巴黎第七大學(xué)Braive團(tuán)隊(duì)[74]提出基于嵌入SA的微柱激光器具有神經(jīng)元的興奮性行為，驗(yàn)證了在單脈沖擾動(dòng)下激光器可以產(chǎn)生亞納秒的響應(yīng)脈沖并分析了激光器泵浦偏置的作用、雙脈沖激發(fā)條件下激光器的絕對(duì)和相對(duì)不應(yīng)期，以及由載流子動(dòng)態(tài)特性所調(diào)制的抑制動(dòng)態(tài);2019年，同樣來(lái)自該機(jī)構(gòu)的Pammi團(tuán)隊(duì)[75]繼續(xù)驗(yàn)證了單個(gè)和耦合的微柱激光器的計(jì)算能力以及通過(guò)可調(diào)時(shí)延和脈沖碰撞來(lái)執(zhí)行時(shí)間模式識(shí)別;2016年，希臘雅典國(guó)立卡波蒂斯坦大學(xué)Mesaritakis團(tuán)隊(duì)[76]提出一種半導(dǎo)體量子點(diǎn)被動(dòng)MLL來(lái)實(shí)現(xiàn)神經(jīng)元的興奮性和抑制性行為，該實(shí)現(xiàn)方式僅需簡(jiǎn)單地調(diào)整激光器內(nèi)置SA的反轉(zhuǎn)電壓而無(wú)須使用復(fù)雜的電/光轉(zhuǎn)換結(jié)構(gòu)。2019年，同樣來(lái)自該機(jī)構(gòu)的Sarantoglou團(tuán)隊(duì)[77]驗(yàn)證了半導(dǎo)體量子點(diǎn)被動(dòng)MLL具有將興奮性信號(hào)和抑制性信號(hào)分別在各自波段內(nèi)進(jìn)行光脈沖編碼來(lái)實(shí)現(xiàn)真正的抑制性神經(jīng)元的能力;2022年，我國(guó)西安電子科技大學(xué)項(xiàng)水英教授團(tuán)隊(duì)[78]提出基于SA的法布里佩羅激光器來(lái)實(shí)現(xiàn)光子脈沖神經(jīng)元并通過(guò)實(shí)驗(yàn)驗(yàn)證了其具有時(shí)間積分、門(mén)限判決、脈沖生成以及不應(yīng)期的LIF神經(jīng)元特性，并進(jìn)一步提出通過(guò)時(shí)分復(fù)用脈沖編碼來(lái)實(shí)現(xiàn)基于光子SNN的模式識(shí)別任務(wù)。

2.4 全光微環(huán)諧振器實(shí)現(xiàn)方案

2012年，比利時(shí)根特大學(xué)Van Vaerenbergh團(tuán)隊(duì)[79]從理論上驗(yàn)證了當(dāng)輸入波長(zhǎng)接近微環(huán)諧振器共振波長(zhǎng)時(shí)足夠高的輸入功率會(huì)加熱微環(huán)，由此產(chǎn)生的熱光效應(yīng)會(huì)形成雙穩(wěn)態(tài)性能,此外由于光可以產(chǎn)生改變折射率系數(shù)的自由載流子，因此高品質(zhì)系數(shù)的微環(huán)甚至可以自激發(fā)脈沖。微環(huán)的這種雙穩(wěn)態(tài)性能和可以自激發(fā)脈沖的能力使得絕緣硅上微環(huán)可以實(shí)現(xiàn)脈沖神經(jīng)元的特性;2013年，該團(tuán)隊(duì)繼續(xù)從理論上驗(yàn)證了微環(huán)的動(dòng)態(tài)特性可以用于設(shè)置脈沖在級(jí)聯(lián)的兩個(gè)微環(huán)間傳播的時(shí)延用以實(shí)現(xiàn)SNN的訓(xùn)練算法，為基于微環(huán)諧振器的更大規(guī)模SNN的實(shí)現(xiàn)奠定了基礎(chǔ)[80];2018年，美國(guó)普渡大學(xué)Chakraborty團(tuán)隊(duì)[81]提出基于頂部嵌入相變材料Ge2Sb2Te5(GST)的微環(huán)諧振器作為光子脈沖神經(jīng)元，其結(jié)構(gòu)示意圖及原理圖如圖17所示。圖17(a)所示為其結(jié)構(gòu)示意圖，初始狀態(tài)的GST為晶態(tài)，滿(mǎn)足諧振條件的“寫(xiě)”脈沖從INPUT端口耦合進(jìn)入環(huán)形波導(dǎo)作用于GST導(dǎo)致其晶度降低非晶化提升最終到達(dá)非晶態(tài)，相應(yīng)地，在“讀”階段隨著GST晶度的降低諧振光波從THROUGH端口導(dǎo)出的比例相對(duì)降低而從“DROP”端口導(dǎo)出的光波相對(duì)提高。圖17(b)所示為DROP端口的傳輸特性，這種僅改變GST的晶度即可控制光波傳輸比例的機(jī)制構(gòu)成了“積分-發(fā)放”脈沖神經(jīng)元模型。在此基礎(chǔ)上該團(tuán)隊(duì)進(jìn)一步將兩個(gè)嵌入GST的微環(huán)諧振器組合成一個(gè)可同時(shí)接收正輸入和負(fù)輸入的單個(gè)神經(jīng)元(如圖17(c)所示)，輸入脈沖通過(guò)兩個(gè)微環(huán)諧振器的“DROP”端口和“THROUGH”端口分別進(jìn)行正積分和負(fù)積分，通過(guò)移相器Φ形成的合成脈沖的幅度為兩者之差，神經(jīng)元膜電位的積分與合成脈沖的幅度成比例。脈沖的發(fā)放由圖17(c)的“輸出單元”來(lái)執(zhí)行，該結(jié)構(gòu)包含一個(gè)光放大器，一個(gè)環(huán)行器，以及一個(gè)頂部嵌入初始狀態(tài)為晶態(tài)的GST的矩形波導(dǎo)。對(duì)嵌入GST的矩形波導(dǎo)而言，當(dāng)GST處于晶態(tài)(非晶態(tài))時(shí)，其傳輸率較低(高)。對(duì)積分單元和輸出單元而言，“讀”、“寫(xiě)”周期逐次循環(huán)進(jìn)行，在神經(jīng)元積分單元的“寫(xiě)”周期內(nèi)，“讀”脈沖通過(guò)發(fā)放單元。另一方面，在神經(jīng)元積分單元的“讀”周期內(nèi)，“讀”脈沖依次通過(guò)微環(huán)諧振器和放大器后形成的脈沖寫(xiě)入位于輸出單元嵌入于波導(dǎo)的GST。環(huán)行器用于引導(dǎo)進(jìn)入和離開(kāi)矩形波導(dǎo)的脈沖。當(dāng)位于積分單元的GST處于初始晶態(tài)時(shí)，光放大器的輸出不足以使矩形波導(dǎo)內(nèi)的GST非晶化，因此此時(shí)的脈沖無(wú)法通過(guò)矩形波導(dǎo)，然而，在若干“寫(xiě)”脈沖的作用下，膜電位的積分超過(guò)閾值后光放大器的輸出足以使矩形波導(dǎo)內(nèi)的GST非晶化進(jìn)而可以實(shí)現(xiàn)脈沖的輸出。一旦神經(jīng)元實(shí)現(xiàn)脈沖輸出，“復(fù)位”脈沖將會(huì)傳遞，使得神經(jīng)元恢復(fù)初始狀態(tài)。該團(tuán)隊(duì)利用這種同時(shí)包含積分單元和輸出單元的光子脈沖神經(jīng)元構(gòu)建了3層全連接的SNN用以對(duì)MINIST數(shù)據(jù)集進(jìn)行訓(xùn)練，實(shí)現(xiàn)了98.06%的識(shí)別準(zhǔn)確率。

圖17 基于嵌入GST微環(huán)諧振器的光子脈沖神經(jīng)元[81]

2019年，德國(guó)明斯特大學(xué)Feldmann團(tuán)隊(duì)[82]提出并制造出集成可塑突觸(圖18(a)所示)的全光SNN，其結(jié)構(gòu)圖如圖18所示。神經(jīng)元之間突觸連接的權(quán)重通過(guò)集成于光波導(dǎo)頂部的相變材料(Phase Change Material,PCM)來(lái)改變，多路不同波長(zhǎng)(λ1,λ2,…,λN)的輸入加權(quán)后經(jīng)微環(huán)諧振器以及WDM多路復(fù)用器(圖18(b)所示)集成于單波導(dǎo)后進(jìn)入集成PCM胞體(圖18(c)所示)的環(huán)形諧振器(圖18(d)所示)，足夠的功率將導(dǎo)致環(huán)形諧振器輸出脈沖，以上的過(guò)程同樣構(gòu)成了“積分-輸出”的脈沖神經(jīng)元模型。通過(guò)調(diào)整上述所述單個(gè)神經(jīng)元(圖18(e)所示)的輸入權(quán)重即可實(shí)現(xiàn)最簡(jiǎn)單的基于監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)的模式識(shí)別任務(wù)，進(jìn)一步地集成多個(gè)上述神經(jīng)元構(gòu)成多層SNN可實(shí)現(xiàn)更為復(fù)雜的模式識(shí)別任務(wù)。

圖18 基于相變材料和微環(huán)諧振器的全光脈沖神經(jīng)網(wǎng)絡(luò)[82]

2022年，美國(guó)普林斯頓大學(xué)Jha團(tuán)隊(duì)從理論上驗(yàn)證了一種互補(bǔ)金屬氧化物半導(dǎo)體(Complementary Metal Oxide Semiconductor,CMOS)兼容的集成石墨烯硅基微環(huán)諧振器光子脈沖神經(jīng)元[83]，其結(jié)構(gòu)示意圖如圖19所示。該團(tuán)隊(duì)從理論上驗(yàn)證了石墨烯的克爾效應(yīng)和飽和吸收可以提升神經(jīng)元的非線(xiàn)性效應(yīng)。

圖19 與硅總線(xiàn)波導(dǎo)耦合的混合石墨烯硅基微環(huán)示意圖[83]

同年，西安電子科技大學(xué)項(xiàng)水英教授團(tuán)隊(duì)提出一種基于Add-Drop型微環(huán)諧振器的光子脈沖神經(jīng)元[84]，圖20所示的基于Add-Drop型微環(huán)諧振器的光子脈沖神經(jīng)元的動(dòng)力學(xué)模型表現(xiàn)為“共振-輸出”，這種光子脈沖神經(jīng)元沒(méi)有明確的脈沖發(fā)放閾值門(mén)限，任意強(qiáng)度的光擾動(dòng)輸入在光泵浦的作用下即可產(chǎn)生一個(gè)輸出脈沖，這種特性對(duì)于光時(shí)序編碼SNN是重要的實(shí)現(xiàn)機(jī)制。同時(shí)，該團(tuán)隊(duì)還驗(yàn)證了這種Add-Drop型微環(huán)諧振器在突觸強(qiáng)脈沖的作用下對(duì)隨后到來(lái)的弱脈沖產(chǎn)生強(qiáng)烈的非線(xiàn)性效應(yīng)，由此實(shí)現(xiàn)了光子STDP。此外Add-Drop型微環(huán)諧振器還具有權(quán)重配置的功能，Add-Drop型微環(huán)諧振器具有較大的熱光系數(shù)使得溫度的變化和折射率的變化有著近似線(xiàn)性的關(guān)系，折射率的變化進(jìn)一步導(dǎo)致共振波長(zhǎng)的變化，最終導(dǎo)致Drop端口的輸出發(fā)生變化，產(chǎn)生權(quán)重在[0,1]范圍內(nèi)可調(diào)的效果。基于以上成果該團(tuán)隊(duì)實(shí)現(xiàn)了基于Add-Drop型微環(huán)諧振器的光子脈沖神經(jīng)元構(gòu)成的神經(jīng)網(wǎng)絡(luò)，采用基于權(quán)重的ReSuMe延時(shí)學(xué)習(xí)算法進(jìn)行脈沖序列學(xué)習(xí)并實(shí)現(xiàn)了收斂，同時(shí)該團(tuán)隊(duì)還驗(yàn)證了初始權(quán)重、門(mén)限功率和學(xué)習(xí)速率對(duì)神經(jīng)網(wǎng)絡(luò)性能有影響，對(duì)其進(jìn)行合理的設(shè)置有助于提升網(wǎng)絡(luò)性能。表2所示為基于微環(huán)諧振器的光子脈沖神經(jīng)元關(guān)鍵性能參數(shù)。

圖20 基于Add-Drop型微環(huán)諧振器的光子脈沖神經(jīng)元[84]

表2 基于微環(huán)諧振器的光子脈沖神經(jīng)元關(guān)鍵性能參數(shù)

2.5 其他實(shí)現(xiàn)方案

除上述方案之外，2020年,我國(guó)西南大學(xué)吳加貴研究員團(tuán)隊(duì)[86]提出了基于硅基光子微腔的光子脈沖神經(jīng)元，驗(yàn)證了微驅(qū)動(dòng)諧振器的調(diào)制效應(yīng)可以生成神經(jīng)形態(tài)光脈沖;同年，我國(guó)上海交通大學(xué)蘇翼凱教授團(tuán)隊(duì)[87]提出了基于無(wú)源微諧振器的光子脈沖神經(jīng)元，該團(tuán)隊(duì)利用微諧振器的非線(xiàn)性特征來(lái)實(shí)現(xiàn)脈沖神經(jīng)元，并表現(xiàn)出了脈沖神經(jīng)元的激發(fā)門(mén)限特性、不應(yīng)期特性和級(jí)聯(lián)特性;2021年，波蘭華沙大學(xué)Tyszka團(tuán)隊(duì)[88]通過(guò)實(shí)驗(yàn)驗(yàn)證了在激子極化激元的脈沖非共振激發(fā)狀態(tài)下半導(dǎo)體微腔具有LIF神經(jīng)元的行為。

總體來(lái)看，基于SOA和EML的光子神經(jīng)元為早期的實(shí)現(xiàn)方案，技術(shù)成熟，但SOA和EML存在體積較大難以集成的問(wèn)題。基于激光器實(shí)現(xiàn)光子脈沖神經(jīng)網(wǎng)絡(luò)的方案眾多，但還是受制于“光-電-光”的轉(zhuǎn)換效率，且從大規(guī)模集成的角度來(lái)看激光器的體積仍然偏大?；谙嘧儾牧虾臀h(huán)諧振器的方案是近年的研究趨勢(shì)，微環(huán)諧振器體積小容易集成，但受制于微環(huán)諧振器的控制難度和相變材料的壽命，該方案仍待進(jìn)一步完善與優(yōu)化。

3 結(jié)束語(yǔ)

SNN的硬件化是實(shí)現(xiàn)其強(qiáng)大智能算力的重要途徑，同時(shí)，光具有高速、低功耗和大帶寬等特性，因此光子SNN具有比生物大腦快千萬(wàn)倍乃至十億倍的運(yùn)算速度和推理能力的潛力?？傮w來(lái)看，由于人類(lèi)對(duì)神經(jīng)科學(xué)和類(lèi)腦機(jī)制的研究還處于初始階段，因此現(xiàn)階段光子SNN的理論模型和訓(xùn)練算法仍與真實(shí)生物神經(jīng)元的運(yùn)行機(jī)制存在較大差異；其次，現(xiàn)階段光子SNN的物理實(shí)現(xiàn)還主要以單個(gè)分離光學(xué)器件實(shí)現(xiàn)神經(jīng)元和突觸為主，整體網(wǎng)絡(luò)的性能探索和研究多基于仿真，實(shí)現(xiàn)真正的大規(guī)模集成光子SNN還需克服器件體積大、加工難度高，以及不同功能的光學(xué)器件難以耦合等各種難題；最后，現(xiàn)階段光子SNN的訓(xùn)練和控制仍然要通過(guò)電子芯片來(lái)實(shí)現(xiàn)，這也使得光子SNN的整體性能將仍然受限于電學(xué)硬件的瓶頸。

綜上，光子SNN涉及人工智能、計(jì)算科學(xué)和光電集成等多個(gè)領(lǐng)域，需要從底層的材料器件，中間的系統(tǒng)架構(gòu)，到上層的算法實(shí)現(xiàn)來(lái)進(jìn)行多層次、跨領(lǐng)域的交叉研究和發(fā)展。未來(lái)，隨著光子技術(shù)的不斷進(jìn)步與突破，光子SNN的實(shí)現(xiàn)有望往大規(guī)模、集成化、可編程、低功耗和低成本的方向演進(jìn)，越來(lái)越多地適用于數(shù)據(jù)中心和自動(dòng)駕駛等復(fù)雜場(chǎng)景。