在人工神經網絡中，張量作為多維數組，在數據結構中扮演著核心角色。近年來，隨著深度學習領域的蓬勃發(fā)展和生成式人工智能技術的興起，神經網絡模型的復雜度持續(xù)攀升，模型參數量更是呈現(xiàn)出爆炸式的增長態(tài)勢。然而，面對龐大的張量計算需求，傳統(tǒng)的存儲和處理分立的電子計算硬件面臨計算延遲大、功耗高等問題，從而成為了制約人工智能領域快速進步的一大瓶頸。

光計算作為一種新興的計算技術，具有大帶寬、低延遲、低功耗等獨特優(yōu)勢，展現(xiàn)出克服傳統(tǒng)電子計算瓶頸的巨大潛力，為未來的高性能計算提供了全新的解決方案。傳統(tǒng)的光計算架構往往依賴于光學元件陣列（如馬赫曾德爾干涉儀陣列或者微環(huán)諧振器陣列等）來執(zhí)行矩陣和張量計算，存在算力密度低、調控復雜等問題，從而極大限制了光計算的算力性能。此外，高速光計算與低速電計算之間存在嚴重的速度失配問題，并且需要使用高速模數/數模轉換器進行數據轉換，從而帶來嚴重的功耗問題。

中國科學院半導體研究所李明研究員團隊提出了一種新型的光學張量處理單元（OTPU，圖1），該OTPU使用無需熱調諧的微環(huán)諧振器作為核心單元，基于波分復用技術通過波長調諧和調制器偏置點改變實現(xiàn)實數域權重調整，實現(xiàn)了34.04 TOPS/mm² 的超高算力密度（圖2），為高算力光計算實現(xiàn)探索了一種全新的技術路徑。該方案通過引入光波/微波多域復用技術有效擴展了數據輸入維度，從而實現(xiàn)光學張量運算，提高了信息訪問的靈活度，降低了對高速模數/數模轉換器的依賴。該研究成果展示了光計算在高性能、高維數據處理方面的巨大潛力，為人工智能和數據科學中的張量計算提供了一種全新的解決方案。

圖片:W020250107534858397984 (1).png

圖1.光學張量處理單元

圖片:W020250107534858663830 (1).png

圖2.（a）處理單元實物圖（b）顯微鏡照片

相關成果以“High-integrated photonic tensor core utilizing high-dimensional lightwave and microwave multidomain multiplexing”為題在《光：科學與應用》（Light: Science & Applications）上發(fā)表。半導體所李明研究員、石暖暖副研究員為共同通訊作者，孟祥彥博士后為第一作者。

該工作得到國家自然科學基金、中國科學院青年創(chuàng)新促進會、中國科學院國際合作項目和北京市自然科學基金資助。

論文鏈接：https://doi.org/10.1038/s41377-024-01706-9