撰稿：陈在俊（麻省理工学院博士，现为南加州大学电子工程系助理教授）

麻省理工光计算原型机

人工智能爆炸性增长，正在改变着这个世界

如ChatGPT等生成式AI可以通过用户的想法创建新的文本、图像、视频、音乐和代码程序等，正在迅速地改变我们的生活和工作方式。人工智能是基于大量数据进行预训练的超大机器学习模型。近十年来，随着人们对AI智能程度的要求越来越高，机器学习模型的参数规模呈指数增长。目前最大的一些模型（GPT-4）已达到了上万亿参数（>1 trillion parameters）。然而，训练这些模型需要强大的计算能力（算力）、高达几个月的训练运算时间，消耗可供一个2000个家庭电力资源。计算机芯片的算力，能量效率，和规模化已成为人工智能发展的决定性因素。

谷歌、英伟达等科技公司都推出了专用于AI加速的计算芯片。然而，电子计算机的算力发展（2x/yrs）已滞后于AI模型的发展（256x/yrs）。随着晶体管尺寸正在接近单原子极限，摩尔定律将在可见的未来难于维持。光学芯片由于超高光学带宽、并行运算能力、低损耗的数据传输，有可能在短期内实现几个数量级的算力突破，成为下一代计算处理器。

然而，目前光计算芯片的性能（能耗、计算密度和算力大小等各个方面）仍然比电子计算芯片低很多，且可规模化程度低。主要原因包括：
（1）电光转换的效率较低导致的高能耗；
（2）集成光器件的尺寸较大导致单位芯片面积计算密度低；
（3）缺少非线性运算导致高延时。
（4）集成芯片元件数量的限制导致可规模化程度低等。
近日，麻省理工光学AI团队实现了从器件到芯片架构的全新设计。用激光阵列模拟细胞神经网络，开发了一种全新的光芯片架构，实现了整体性能突破。第一次实现光学计算芯片对电子计算的优势，提升了100倍的能量效率和20倍的计算密度，并有望在近期内实现多个数量级的提升。

该成果发表在Nature Photonics，题为“Deep Learning with Coherent VCSEL Neural Networks”。麻省理工学院的陈在俊博士（现为南加州大学电子工程系助理教授）为论文的第一作者兼通讯作者，Dr Ryan Hamerly（NTT）和Dirk Englund教授为共同通讯作者。

值得一提的是，这个工作在今年Photonics West上被评为“2023 年度SPIE 人工智能和机器学习最佳论文（唯一获奖者）”。

首次提出时间-空间复用光计算架构

该团队采用激光阵列模拟细胞神经网络（图1）。其中一个激光调制器作为神经元“Axon”激发输入信号Xi， 其他j个激光器激光作为权重服务器导入矩阵Wij。通过光场在探测器上干涉产生矩阵乘法Yj=XiWij。该计算架构最大程度地减少了系统的复杂性，减少了对光器件数量的要求。

超高效率的电光转换

该团队首次在光计算芯片中采用了大规模的VCSEL阵列做电光转换。这种调制器的在注入锁定模式下半波电压只有4 mV，每次转换消耗的能量仅有5 aJ（10-18焦耳），比目前最先进的电光调制器效率高了4-5个数量级。

首次使用光电效应进行非线性运算

由于光子之间相互作用很低，光子非线性运算需要消耗较大的能量并且难于集成。该团队首次采用光电效应引入非线性：通过两束激光在探测器上进行干涉，可以通过改变其中一束激光的相位（或场强）去影响另外一束激光产生的光电流，从而实现非线性。这种非线性效应是瞬时响应，几乎没有延时。并且只需要在光探测器上实现，其尺寸可以在单波长级别，大大提高了芯片的集成效率。

总结与展望

MIT本次论文提出了很多全新的概念，从原件到架构上都有原创性突破，且做出了验证性实验 。首次实现了能量效率对电子计算有100倍的提高，并且集成密度增加了20倍。但是，受限于科研实验室条件的限制，实验中驱动了100个片上光元件。下一步的问题在于如何用更大的激光阵列做算力规模化。值得注意的是，文中用到的VCSEL光器件已经实现量产，且大规模应用于数据通信，人脸识别（如iPhone faceID），自动驾驶和激光打印中。文中通过对芯片的时钟频率、集成化，规模化做出了详细的分析，可在未来实现多个数量级的算力突破。

 论文信息 

Chen, Z., Sludds, A., Davis, R. et al. Deep learning with coherent VCSEL neural networks. Nat. Photon.（2023）.

https://doi.org/10.1038/s41566-023-01233-w