【今日分享】光子学为AI处理提供动力

图片展示了覆盖有磁光层的环形谐振器阵列如何充当矩阵乘法器，作用于多波长输入向量。[图片：Brian Long，UCSB 高级艺术家]

研究人员正在研究各种技术，以试图满足人工智能和机器学习对处理能力日益增长的需求。现在，一个国际电气工程师小组已经表明，基于非互易磁光学的光子存储可以满足这一需求 （Nat. Photonics， doi：10.1038/s41566-024-01549-1）。他们的系统已经运行了数十亿次循环，不仅快速高效，而且非常强大。

摩尔定律滞后

尽管摩尔定律已经走过了几十年的步伐——它告诉我们每个集成电路的晶体管数量大约每两年翻一番——但半导体制造商仍在努力跟上对处理器要求很高的新应用的兴起。据 Open AI 公司称，在短短六年内（从2012年到2018年），训练最大的深度学习网络所需的计算能力增加了300,000倍以上，而同期图形处理单元的效率仅提高了300倍。

光子学可能有助于弥合这一差距，这要归功于光在集成电路中的更快速度和更高效的通过。特别是，许多小组都以所谓的光子内存计算为目标，该计算通过使用可编程光权重矩阵对光信号中编码的输入向量进行线性转换，从而执行神经网络的核心矩阵乘法。

扩展光子学

此类方案的主要突出问题之一是可扩展性。称为交叉开关阵列的电子内存处理系统通常在一次通过中执行整个矩阵乘法，而集成光子电路只能存储构成矩阵的所有权重的一小部分。解决方案是为每个矩阵乘法多次重新编程光子权重，但这对速度、效率和耐用性提出了更高的要求。

不同的小组已经展示了该技术的各个方面，但还没有人证明他们可以同时满足多种苛刻的要求。例如，研究人员已经证明，集成到波导中的电子忆阻器可以以非易失性方式进行快速高效的开关（只需要电源来改变，而不是维持状态），但这种设备并不坚固，未能超过 1,000 次写入和擦除数据周期。

利用磁场

在最新的工作中，美国匹兹堡大学的 Nathan Youngblood;Paolo Pintus，美国加利福尼亚大学圣巴巴拉分校和意大利卡利亚里大学;美国和日本的同事通过使用磁场来控制覆盖有磁光层的微环谐振器的相位，获得了所有必要的参数的令人印象深刻的值。

受外加磁场的影响，谐振器的两种反向传播模式（一种顺时针行进，另一种逆时针行进）沿电磁波谱沿相反方向发生相移。结果是，入射的红移激光在一个方向上的共振比另一个方向大得多，这导致两种模式的传输存在可测量的差异，编码了该特定权重的值。

放置在数组中的许多此类单元将在多色激光脉冲的输入向量上执行矩阵乘法。每行中的每个脉冲都将耦合到一个特定的谐振器（根据后者的直径），然后将谐振器的输出一起添加到平衡光电探测器中。这将产生两个值（两种模式的传输强度），它们共同构成数组输出向量的一个分量。

研究人员表明，他们可以通过以两种不同的方式将铈取代的钇铁石榴石 （Ce：YIG） 与硅相结合来制造直径为 70 μm 的谐振器，这两种方式都可能与 CMOS 制造技术兼容。其中第一个涉及将 Ce：YIG 晶圆键合到硅波导上，而第二个则看到在 Ce：YIG 上沉积非晶硅层并形成图案化。两种方法都使用放置在堆栈顶部的金电磁铁来建立磁场。

展望未来

尽管研究人员只测试了单个cell，但他们展示了该技术的潜力——在短短一纳秒内更新cell，并且每比特消耗略高于万分之一纳焦耳。至关重要的是，他们这样做了 24 亿次写入和擦除循环，没有任何磨损迹象，这比该参数（相变材料）的次优技术多出一百万倍以上。该团队还表明，通过将图案化的钴-铁-硼磁条整合到谐振器的包层中，可以使此类操作成为非易失性。

挑战仍然存在。Youngblood 说，特别是，从单个cell到阵列将涉及制造更小的环和损耗更小的 Ce：YIG。展望未来，他补充说，应该可以通过利用自旋轨道转矩或自旋转矩转移效应来提高电池的开关效率，因为这些将消除对集成电磁铁的需求。

原作者：埃德温·卡特利奇