能耗下降100倍！美国开发光子AI芯片——直接利用光做卷积！

　　佛罗里达大学领导的一个研讨团队，与加州大学洛杉矶分校和乔治华盛顿大学协作，开发了一种原型光子AI芯片，该芯片利用光进行卷积操作，与电子等效芯片比较，能耗下降了多达两个数量级。这一立异的中心是一种彻底集成的根据菲涅耳透镜的架构，在芯片上履行二维空间卷积，且悉数在模仿光学域中进行。

　　封装的光子联合改换相关器，包含硅光子芯片、定制印刷电路板和八通道光纤阵列。

　　该芯片是同种类型的产品中的首款，经过被迫衍射光学器材履行空间卷积，并单片制作在硅光子基板上。该原型为深度学习中最消耗资源的操作之一——卷积神经网络（CNN）中的乘累加（MAC）操作——完成了近零能耗核算。

　　研讨人员运用一个练习用于分类MNIST数据集手写数字的CNN对芯片进行了测验，这是机器学习中的规范基准。该光子卷积模块被集成到网络的第一层，对输入图画运用学习到的内核。网络的其余部分选用数字完成，模仿混合推理流程。

　　研讨报告拂尘，该芯片达到了98.1%的分类准确率，与纯电子推理流程基本上没有差异。但在能效方面，差异巨大。与传统的数字卷积引擎（根据CPU、GPU或FPGA）比较，该光子芯片将每次推理的能耗下降了100倍，估计操作能耗低至皮焦耳级。

　　重要的是，该架构与波长无关，并支撑波分复用（WDM）。经过为不同数据通道运用不相同波长，能够在同一物理结构中并行运转多个卷积操作，从而在不添加占地面积或热负载的情况下扩展核算吞吐量。

　　这种光学CNN加快器处理了功率密度问题，这是布置边际AI的最大瓶颈之一。跟着CNN的深度和复杂性添加，卷积操作主导了核算预算。在紧凑的边际设备（如传感器、无人机、可穿戴设备或植入式设备）中运转AI推理，不只需求高效性，还需求热静默和占地最小化。

　　经过这种根据透镜的办法，核算是被迫的、无电扇的且本质上并行的。它避开了电子加快器常见的内存带宽、数据移动瓶颈和热节省等问题。因为光的模仿特性答应接连值内核运用，因而也避免了量化或剪枝的退让。

　　此外，因为该芯片选用规范光刻技能制作，因而能与现有硅光子渠道单片集成，或与CMOS后端配对。这使其比以往的自由空间光学或光纤耦合规划更有用，后者需求粗笨的设置，不适合商业集成。

　　该芯片并非完好的神经处理器，它仅处理卷积过程。但经过将最耗能的前端核算卸载到光学范畴，并将决议计划逻辑或全衔接层留给传统硅电路，它界说了一种新的混合核算模型。未来的体系可能在同一基板上一起集成用于CNN的光子加快器、用于逻辑的数字控制器以及用于数据存储的内存阵列。

　　跟着AI硬件领会的加快，此类立异指向了一个未来，在那里核算不再局限于电子和晶体管，而是扩展到光子、干与以及光的底子记取。

　　该原型由美国海军研讨办公室赞助开发，并作为同行评议的硅兼容被迫芯片上卷积演示，在《先进光子学》杂志上宣布。