上海交通大學金賢敏、徐曉蕓團隊發(fā)布新興薄膜鈮酸鋰高速電光引擎

  近日，上海交通大學金賢敏、徐曉蕓團隊在光計算領域取得重要進展，成功研發(fā)出高性能的薄膜鈮酸鋰高速電光引擎芯片，通過結(jié)合高效的數(shù)據(jù)編碼方案與電光引擎的優(yōu)異性能，實現(xiàn)了該芯片在光學量化神經(jīng)網(wǎng)絡中的應用。該研究成果以「High-speed electro-optic engine for a quantized photonic neural network」為題，發(fā)表于國際光學權(quán)威期刊《 Optica》上。

  研究背景

  在過去幾十年里，芯片性能的提升主要依賴于「摩爾定律」——通過不斷縮小晶體管尺寸來提高計算能力。但如今，傳統(tǒng)電子芯片正逐漸逼近物理極限，性能提升變得越來越困難。而進入到人工智能時代，大模型對于計算硬件的要求逐漸變高，科學家們開始尋找新的計算方式，其中一種備受關(guān)注的方向，就是「用光來計算」。

圖1 高性能薄膜鈮酸鋰電光引擎芯片

  光子計算，簡單來說，就是讓光信號代替電子在芯片中進行運算。因為光傳播速度極快，而且可以同時攜帶大量信息，所以它天生具備「高速」、「并行處理」和「低能耗」的優(yōu)勢，被認為是未來高性能計算的重要候選技術(shù)之一。

  關(guān)鍵問題：盡管光計算技術(shù)擁有許多優(yōu)勢，但要在實際應用中全面發(fā)揮其潛力，仍面臨著許多關(guān)鍵問題。最主要的挑戰(zhàn)之一是如何在「算得多、算得快、算得準」之間找到一個平衡點。此外，隨著計算任務和數(shù)據(jù)量的增大，如何確保光計算在大規(guī)模應用中依然高效且不產(chǎn)生過多的系統(tǒng)復雜性，也成為了一個亟待解決的問題。

  新思路：為了解決這一難題，研究團隊借鑒了目前人工智能領域的一項成熟技術(shù)——量化神經(jīng)網(wǎng)絡。簡單理解，量化就是在不影響模型準確率的前提下，把部分原本需要高精度表示的數(shù)據(jù)，用更少的精度位數(shù)來表示。就像把一張高清大圖適當壓縮，同時保證視覺效果基本不變，從而可以大幅減少存儲空間和計算量。

圖2 關(guān)鍵問題與求解思路

  研究團隊進行了高效的量化神經(jīng)網(wǎng)絡與高性能的集成光子芯片之間的協(xié)同設計，成功實現(xiàn)了大規(guī)模、高速度、量化精度的光電計算系統(tǒng)。這樣一來，在不明顯降低計算準確率的情況下，就能有效壓縮模型規(guī)模，減少訓練所需的內(nèi)存和算力。這項工作意味著，未來的光電計算系統(tǒng)有望在保持高模型準確率的同時，實現(xiàn)更大規(guī)模和更高速度的運算，為人工智能、大模型訓練以及高性能計算等領域提供更高效、更節(jié)能的解決方案。

  高性能薄膜鈮酸鋰電光引擎芯片：超高速計算的硬件核心

  在本工作中，研究團隊聯(lián)合圖靈量子團隊經(jīng)過大量的工藝迭代，開發(fā)并優(yōu)化了薄膜鈮酸鋰芯片制備工藝，依托上海交大無錫光子芯片研究院（CHIPX）光子芯片中試線制備出了性能優(yōu)異的薄膜鈮酸鋰高速電光引擎芯片，其在O波段8通道的電光帶寬都大于67GHz，調(diào)制效率Vπ·L < 2V·cm。研究團隊同時設計了電光引擎的高速封裝方案設計，并進行了定制化的高速封裝，使得其可以與多通道電驅(qū)動匹配，從而可以滿足高速光計算的需求。

圖3 薄膜鈮酸鋰電光引擎的結(jié)構(gòu)與性能測試

  高效的數(shù)據(jù)編碼方案：加速光計算的關(guān)鍵

  研究團隊提出并實驗驗證了一種緊湊高效的輸入-權(quán)重并行編碼方案，首先利用時分復用將輸入數(shù)據(jù)編碼在電光調(diào)制器的電調(diào)電極上，其次通過調(diào)節(jié)電光調(diào)制器的熱調(diào)電極的電壓，使電光調(diào)制器工作在不同的偏置點，以實現(xiàn)不同的權(quán)重映射，從而可以利用單個電光調(diào)制器實現(xiàn)乘法運算。高速電光引擎的每個通道都可以被編碼為不同的權(quán)重，同時在計算時保持固定，從而使整個計算系統(tǒng)能夠以電調(diào)電極的高速編碼速度運行。

圖4 輸入-權(quán)重并行編碼方案的示意圖與實驗結(jié)果

  創(chuàng)新的光學量化神經(jīng)網(wǎng)絡：高效分類與大幅模型壓縮

  通過使用上述高效的編碼方案，研究團隊實驗演示了薄膜鈮酸鋰高速電光引擎在不同編碼速度（100Gbaud、1Mbaud）和不同量化精度（1bit、2bit、4bit）的條件下對基于量化卷積神經(jīng)網(wǎng)絡的MNIST手寫數(shù)字進行分類，在不同情況下均可以實現(xiàn)大于95%的準確率。其中全量化方案實現(xiàn)了超過95%的模型壓縮率，顯著降低了存儲需求和計算開銷。

  此外，為了展示光學量化神經(jīng)網(wǎng)絡更廣泛的應用，研究團隊還使用薄膜鈮酸鋰高速電光引擎對基于量化圖神經(jīng)網(wǎng)絡的Cora數(shù)據(jù)集進行節(jié)點分類，在100Gbaud編碼速度下，實驗分類準確率達到80%，與模擬結(jié)果十分接近（80.8%）。

圖6 基于量化圖神經(jīng)網(wǎng)絡的Cora節(jié)點分類任務的實驗結(jié)果

  本工作基于薄膜鈮酸鋰電光引擎首次展示了一種大規(guī)模、高速、量化精度光子神經(jīng)網(wǎng)絡，結(jié)合這種光學量化神經(jīng)網(wǎng)絡方案，高性能薄膜鈮酸鋰電光引擎在計算速度、計算能效和計算密度方面均展現(xiàn)出卓越的系統(tǒng)級性能。該方案可以滿足高性能計算的需求，使未來光子人工智能計算機的實現(xiàn)成為可能。

  上海交通大學物理與天文學院博士研究生韓豐愷、李軒坤博士和趙晨明博士為本文的共同第一作者，金賢敏教授、徐曉蕓助理研究員為論文通訊作者。合作者包括圖靈量子、上海交大無錫光子芯片研究院（CHIPX）的工程研發(fā)人員。本研究工作得到了國家重點研發(fā)計劃、國家自然科學基金委員會、上海市科學技術(shù)委員會、上海市教育委員會、上海市人才計劃、量子科學與技術(shù)創(chuàng)新計劃、江蘇省前沿科技研發(fā)計劃等項目的資助。