高性能光子芯片突破神经网络限制！

【研究背景】

光子学是研究光的产生、传播和相互作用的科学，因其在高速和低功耗计算中的优势，逐渐应用于人工智能（AI）和神经形态计算等领域。与传统的电子计算材料相比，光子集成电路（PICs）具备高计算速度、低能耗和紧凑性等优点。这些特性使得光子张量核心成为大规模神经网络的理想选择，能够满足现代AI系统对高速和高效能的需求。然而，传统光子张量核心在构建大规模光子神经形态网络时，面临着许多挑战，包括对输入（fan-in）和输出（fan-out）数量的灵活调整、权重更新速度的限制以及对复杂计算的支持。

为了解决这些问题，中山大学电子与信息工程学院蔡鑫伦教授团队以及不列颠哥伦比亚大学Lukas Chrostowski团队在光子张量核心方面取得了新进展。他们设计并制备了一种完全集成的光子张量核心，包含两个薄膜锂铌酸盐（TFLN）调制器、一个III-V激光器和一个电荷集成光电探测器。该装置在简单架构的基础上，实现了神经网络一整层的计算，计算速度高达120 GOPS，同时可以灵活调整输入和输出的数量，支持多种神经网络架构。

利用这种新型光子张量核心，研究团队显著提高了计算性能，成功获取了112 × 112像素图像的分类（监督学习）和聚类（无监督学习）结果。更重要的是，该团队提出了一种新方法，解决了两个负数之间的乘法运算问题，从而为聚类AI任务的原位训练提供了有效解决方案。这一研究为光子学在人工智能领域的应用打开了新的大门，展示了光子计算在未来智能系统中的广泛潜力和重要价值。

【仪器解读】

本文通过使用矢量网络分析仪（Agilent N5227A）对制备的TFLN调制器进行了电光响应特性表征，揭示了其在高速计算中出色的性能。特别是，调制器的3-dB电光带宽超过67 GHz，Vπ为2.4 V，这些特性使得该器件能够在计算速度和功耗之间取得良好的平衡，进一步表明其在光子学领域的应用潜力。

针对在矩阵-向量乘法操作中的低插入损耗和宽电光带宽现象，本文通过精细的电光测试和光学表征手段，深入分析了TFLN材料的微观机理，得到了器件在不同工作波长下的调制特性和带宽表现。这一研究不仅揭示了TFLN材料在负数乘法运算中的新应用潜力，还为其在复杂神经网络计算中的可行性奠定了基础。

在此基础上，结合光子线束结合技术，作者实现了TFLN芯片与激光器及光纤阵列之间的高效混合连接。这些表征手段有效地展示了混合光子电路的整体性能和稳定性，结果表明作者的器件能够在大规模的矩阵运算中实现快速的权重更新，着重研究了如何利用现有的光纤技术实现更高效的光子计算。

总之，经过对调制器的电光响应、波长兼容性和混合连接性能的系统表征，本文深入分析了TFLN调制器在大规模光子计算中的应用潜力。这一研究进展不仅推动了光子计算器件的新材料的制备，也为未来实现更高效的光子神经网络计算提供了重要的理论基础和实践指导，最终推动了光电子学和人工智能领域的进一步发展。

集成光子张量核心（IPTC）的概念

原文详情：Lin, Z., Shastri, B.J., Yu, S. et al. 120 GOPS Photonic tensor core in thin-film lithium niobate for inference and in situ training. Nat Commun 15, 9081 (2024). https://doi.org/10.1038/s41467-024-53261-x