如果問(wèn)一個(gè)問(wèn)題——能夠進(jìn)行深度神經(jīng)網(wǎng)絡(luò)計(jì)算的芯片有哪些？大家給出的答案可能五花八門：CPU、GPU、DSP、NPU……

過(guò)去幾年里，電子計(jì)算已經(jīng)成為實(shí)現(xiàn)人工智能算法——尤其是深度神經(jīng)網(wǎng)絡(luò)模型——最重要的算力支撐。盡管具體的硬件架構(gòu)各有不同，但一言以蔽之，都是采用了馮諾依曼型的計(jì)算原理，即VLSI（超大規(guī)模集成電路）的“電子＋邏輯”信息處理模式，以復(fù)雜的邏輯電路和處理器芯片來(lái)完成計(jì)算任務(wù)。

但是電子方法有其先天缺陷：一是信號(hào)之間容易相互干擾，對(duì)需要高密度連接的神經(jīng)網(wǎng)絡(luò)帶來(lái)一定的困難；二是能源需求太高，導(dǎo)致計(jì)算成本居高不下。

在以AI為主旋律的“數(shù)字基建”大規(guī)模爆發(fā)前夜，在算力上未雨綢繆，自然也就成了學(xué)術(shù)界和產(chǎn)業(yè)界共同關(guān)注的頭等大事。

最近，明斯特大學(xué)、牛津大學(xué)和?？巳卮髮W(xué)的研究人員就共同實(shí)現(xiàn)了一項(xiàng)新的計(jì)算芯片，采用光學(xué)系統(tǒng)來(lái)幫助神經(jīng)網(wǎng)絡(luò)進(jìn)行“學(xué)習(xí)”，以此實(shí)現(xiàn)計(jì)算、識(shí)別等行為。

不過(guò)，無(wú)論是光學(xué)計(jì)算，還是類腦芯片，類似的提法其實(shí)在學(xué)界早已有之，并且由于自身的局限性一直進(jìn)展緩慢。那么，光學(xué)深度學(xué)習(xí)芯片的出現(xiàn)，是否真的突破了先天的技術(shù)桎梏，又意味著哪些新的產(chǎn)業(yè)機(jī)遇呢？

光學(xué)計(jì)算＋深度神經(jīng)網(wǎng)絡(luò)的

“攪和”歷史

在介紹新計(jì)算硬件之前，先言簡(jiǎn)意賅地解答一下大家心中可能存在的困惑——光到底是如何進(jìn)行計(jì)算的？又為什么比電子方法更有優(yōu)勢(shì)呢？

我們知道，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)是模仿人類大腦神經(jīng)元的運(yùn)行方式而來(lái)的。在每一層中，來(lái)自上一層（或者輸入源）的信號(hào)經(jīng)由神經(jīng)元處理，將結(jié)果和前向信號(hào)傳遞給下一層的神經(jīng)元。

很顯然，這種計(jì)算方式需要依賴神經(jīng)元之間的大量、動(dòng)態(tài)的連接才能完成，會(huì)對(duì)大多數(shù)使用電子方法的集成電路造成壓力。

因此，大家紛紛開(kāi)始研究其他硬件，光學(xué)芯片因此成為“全村的希望”。

2017年，MIT的研究人員就研發(fā)出了一種使用光子技術(shù)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的方法。他們使用一系列相互連接的波導(dǎo)管（傳輸微波波段的電磁波裝置），來(lái)為特定的計(jì)算編程。而處理器則通過(guò)一系列耦合光子波導(dǎo)來(lái)引導(dǎo)光線，因此只需要運(yùn)用鏡片改變光線的方向，就可以達(dá)成運(yùn)算。

可編程、低能耗，聽(tīng)起來(lái)是不是棒棒噠？不過(guò)這種方式打造的硬件準(zhǔn)確率實(shí)在是不太令人滿意，只有77％，被傳統(tǒng)方法吊打的節(jié)奏啊。

不過(guò)科學(xué)家們并沒(méi)有認(rèn)輸，2018年加州大學(xué)洛杉磯分校的科學(xué)家們又將光學(xué)深度學(xué)習(xí)送上了《Science》雜志。

這次，科學(xué)家們采用3D 打印的方式制造出了一種全光學(xué)的深度學(xué)習(xí)框架D2NN。

簡(jiǎn)單來(lái)說(shuō)，研究人員訓(xùn)練出了能夠識(shí)別不同數(shù)據(jù)類型的光學(xué)網(wǎng)絡(luò)模型，并為它們分別創(chuàng)建了模型，該模型由多個(gè)像素層組成，每個(gè)像素之間如同神經(jīng)元一樣進(jìn)行連接，并通過(guò)光來(lái)傳輸信息。

然后，研究人員采用五層 3D 打印塑料對(duì)仿真模型進(jìn)行物理再現(xiàn)，固態(tài)成品的探測(cè)器就可以通過(guò)物體表面反射的光來(lái)判斷出相應(yīng)的分類結(jié)果。

這種由光學(xué)元件堆疊而成的神經(jīng)網(wǎng)絡(luò)硬件，準(zhǔn)確率能達(dá)到 91．75％，成本相對(duì)便宜，但是卻很難做到器件的小型化，難以處理復(fù)雜的數(shù)據(jù)及圖像分析，而且所有參數(shù)3D打印之后就不能被再次編程了。

（使用 3D 打印的“人工神經(jīng)網(wǎng)絡(luò)”芯片）

總結(jié)一下就是，此前的研究都對(duì)光學(xué)計(jì)算＋神經(jīng)網(wǎng)絡(luò)的解決方案提出了自己的方法，但帶來(lái)的問(wèn)題多于答案，科學(xué)家們不得不繼續(xù)探索。

全光學(xué)神經(jīng)突觸系統(tǒng)：

能否刷新光學(xué)計(jì)算的進(jìn)程？

5月8日，來(lái)自德國(guó)明斯特大學(xué)的科學(xué)家將其研究成果發(fā)布在了《Nature》雜志上。

論文《All－optical spiking neurosynaptic networks with self－learning capabilities》（具有自學(xué)習(xí)功能的全光學(xué)尖峰神經(jīng)突觸網(wǎng)絡(luò)），提出了一種可以在毫米級(jí)光子芯片上實(shí)現(xiàn)的全光學(xué)神經(jīng)網(wǎng)絡(luò)。

研究人員是這么設(shè)想的：

輸入的數(shù)據(jù)（即光波導(dǎo)）可以被微米級(jí)環(huán)狀諧振器調(diào)制成不同的波長(zhǎng)，然后注入網(wǎng)絡(luò)并停留在光學(xué)微芯片上。接著利用集成在一起的相變材料，來(lái)實(shí)現(xiàn)權(quán)重調(diào)制，這種物質(zhì)可以由光觸發(fā)顯著的變化，非常適合模擬突觸和神經(jīng)元之間的“沖動(dòng)”。

信息在光學(xué)神經(jīng)網(wǎng)絡(luò)中的傳輸，就好像是兩組人（單個(gè)波導(dǎo)的兩條路徑）同時(shí)在玩?zhèn)髀曈螒颍枰舻木嚯x比較遠(yuǎn)，來(lái)防止另一個(gè)組的聲音干擾（耦合）。同時(shí)還不能有人亂開(kāi)腦洞急轉(zhuǎn)彎，免得傳話內(nèi)容南轅北轍（光離開(kāi)波導(dǎo)）。

因此，在每個(gè)組的傳話過(guò)程中，都派出一個(gè)小秘書(shū)（相變材料），根據(jù)每組任務(wù)（權(quán)重）的不同，在每次傳遞過(guò)程中（微環(huán)諧振器的入口和出口處），對(duì)隊(duì)員們向下傳遞的信息進(jìn)行微調(diào)，將被傳錯(cuò)／修改的信息復(fù)位，這樣就能最大限度地保證每個(gè)隊(duì)伍向后傳遞的信息，既能保持差異，又足夠準(zhǔn)確。

為了證明這一點(diǎn)，研究人員開(kāi)發(fā)了一個(gè)由四個(gè)人工神經(jīng)元和60個(gè)突觸組成的芯片。

芯片的結(jié)構(gòu)由不同的層組成，分別在光納米電路中的不同通道上傳輸光。

（分子光學(xué)神經(jīng)元電路）

研究人員使用了兩種不同的機(jī)器學(xué)習(xí)算法，分別是小規(guī)模的監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)，以光脈沖的形式向后“提供”信息，以此測(cè)試全光學(xué)神經(jīng)突觸系統(tǒng)能否根據(jù)給定的光識(shí)別出具體的模式。

目前，研究人員已經(jīng)利用該技術(shù)成功實(shí)現(xiàn)了光學(xué)模式識(shí)別，并展現(xiàn)了光子神經(jīng)網(wǎng)絡(luò)的可擴(kuò)展性。

在此，我們可以簡(jiǎn)單總結(jié)一下這種新光學(xué)神經(jīng)網(wǎng)絡(luò)硬件的特殊之處：

首先，它解決了前輩們沒(méi)能解決的問(wèn)題——光學(xué)計(jì)算在識(shí)別準(zhǔn)確率、可編程性、微型化上的缺陷——讓光學(xué)計(jì)算在計(jì)算機(jī)硬件領(lǐng)域的潛力帶來(lái)了新的前景。

（正在開(kāi)發(fā)的光學(xué)微芯片大約只有一分錢大小）

另外，該硬件的計(jì)算方式和大腦中神經(jīng)元突觸的信息傳遞高度相似，不僅使得信息（數(shù)據(jù)）得以在人工神經(jīng)網(wǎng)絡(luò)中傳輸，還能夠進(jìn)行有效的處理和存儲(chǔ)。以更類似于大腦的方式處理信息，這有助于開(kāi)發(fā)更高性能的算法，進(jìn)而幫助智能機(jī)器更好地完成現(xiàn)實(shí)世界的任務(wù)。

而且，該系統(tǒng)只在光下工作，使它充分發(fā)揮了光學(xué)計(jì)算的優(yōu)勢(shì)，處理數(shù)據(jù)的速度要快很多倍，更適合用于一些大規(guī)模數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，比如醫(yī)學(xué)診斷模型等。并且更加節(jié)省能耗。

這也就不難理解，為什么有人認(rèn)為，如果高能效的可擴(kuò)展光子神經(jīng)芯片最終出現(xiàn)，這一團(tuán)隊(duì)的研究絕對(duì)算是開(kāi)山之作了吧。

當(dāng)然，想要讓可擴(kuò)展光子神經(jīng)網(wǎng)絡(luò)系統(tǒng)在現(xiàn)實(shí)中應(yīng)用，還需要做許多后續(xù)工作。

最首要的，就是增加人工神經(jīng)元和突觸的數(shù)量，以及神經(jīng)網(wǎng)絡(luò)的深度，以便進(jìn)一步接近和適應(yīng)真實(shí)的大規(guī)模計(jì)算應(yīng)用場(chǎng)景。

另外，芯片的制造也存在一定的限制。對(duì)此，?？巳卮髮W(xué)的戴維·賴特教授表示，將使用硅技術(shù)來(lái)生產(chǎn)光學(xué)納米芯片。

另一個(gè)值得關(guān)注的問(wèn)題是，系統(tǒng)中極為關(guān)鍵的相變材料，其結(jié)晶速度會(huì)吸收并減慢光速，從而限制神經(jīng)元被激發(fā)的最大速率，對(duì)于光的交叉耦合帶來(lái)一定的復(fù)雜影響。因此，每一次注入該系統(tǒng)的總光學(xué)功率都需要進(jìn)行仔細(xì)校準(zhǔn)，以保證材料對(duì)輸入信號(hào)的響應(yīng)完全符合預(yù)期。

不管怎么說(shuō)，盡管光學(xué)計(jì)算硬件仍然在實(shí)現(xiàn)層面面臨著許多挑戰(zhàn)和困難，規(guī)?；瘧?yīng)用也沒(méi)有明確的時(shí)間表。但或多或少讓我們看到了更多有趣可行的計(jì)算方式，未來(lái)世界的算力資源依舊是充沛和值得期待的。

隨著智能基建的一步步添磚加瓦，光學(xué)計(jì)算必將變得越來(lái)越重要。

文 ｜ 腦極體