Photonic Neural Processor

这是什么？

🎯 模拟器提示

📚 术语表

Photonic Neural Network

一种人工神经网络，使用光信号（光子）而不是电信号（电子）来执行计算，从而实现光速处理。

Mach-Zehnder Interferometer (MZI)

将光束分成两路并重新组合的光学装置；通过控制相对相位，它可以执行神经网络所需的矩阵运算。

Matrix Multiplication

深度学习中的核心数学运算，输入数据通过权重矩阵进行变换；光子处理器以光速执行此操作。

Optical Nonlinearity

材料对光强度的非比例响应，对于在光子神经网络中实现激活函数至关重要，这是该领域的一个关键挑战。

Silicon Photonics

使用标准半导体制造在硅芯片上构建光学电路的技术，可实现光子处理器的大规模生产。

Wavelength Division Multiplexing

使用不同波长的光通过同一光路同时发送多个数据通道，从而显着提高吞吐量。

Microring Resonator

一种紧凑的圆形光波导，可以过滤、切换和调制光信号，用作光子神经网络中的可编程权重。

Phase-Change Material (PCM)

一种可以在晶态和非晶态之间切换的材料，用于光子系统中，用于神经网络突触中的非易失性权重存储。

Optical Computing

使用光子进行信息处理的计算范例，与电子计算相比，在速度、并行性和能源效率方面具有优势。

Activation Function

应用于神经网络输出的非线性数学函数；以光学方式实现这一点（无需转换为电子设备）是一个重大挑战。

In-Situ Training

直接在光子硬件上而不是在数字计算机上训练神经网络，这得益于光学计算的超低延迟。

Neuromorphic Photonics

该领域将神经科学启发的计算与光子学相结合，使用基于光的神经元和突触来模拟生物神经处理。

Photonic Integrated Circuit (PIC)

在单个基板上集成多个光学元件（波导、调制器、探测器）的芯片，类似于电子集成电路。

🏆 关键人物

Yichen Shen (2017)

领导 2017 年 MIT 团队展示了第一个在硅光子芯片上使用 56 个可编程马赫-曾德干涉仪的片上光学神经网络

Dirk Englund (2024)

麻省理工学院教授的量子光子学和人工智能小组展示了完全集成的光子处理器，在亚纳秒推理中实现了 92% 以上的准确度（2024 年）

Marin Soljacic (2017)

麻省理工学院教授，共同领导了 2017 年光学神经网络的开创性工作，并继续推进光子计算架构

Demetri Psaltis (1990s)

20 世纪 90 年代加州理工学院使用全息术的光学神经网络的先驱，为光子计算奠定了理论基础

Wolfram Pernice & Harish Bhaskaran (2019-2021)

开发了基于相变材料的光子突触，为光子神经网络实现非易失性权重存储

Bhavin Shastri & Paul Prucnal (2021)

发表有影响力的《自然光子学》评论，为神经形态光子学和基于尖峰的光学计算制定路线图

Gu Min (2025)

在上海理工大学领导了集成光子突触、神经元和忆阻器的全面综述

🎓 学习资源

Deep learning with coherent nanophotonic circuits
具有里程碑意义的 2017 年 Nature Photonics 论文展示了第一个片上光学神经网络
Photonic processor enables ultrafast AI computations
2024 年 Nature Photonics 论文，关于具有亚纳秒推理功能的完全集成光子 AI 处理器
MIT News - Photonic Processor
全面了解 2024 年全集成光子 AI 计算突破的概述
Neuromorphic Photonics Review (arXiv)
全面回顾光子神经形态计算的基础知识、设备和机会

💬 给学习者的话

人工智能计算的未来可能不是更快的电子产品——它可能是光本身。光子神经处理器代表了一个根本性的转变：我们不再通过产生热量和浪费能量的细小电线推动电子，而是引导光子通过以光速计算的光学电路。单个光子芯片可以在纳秒内完成电子处理器需要微秒才能完成的工作。随着人工智能模型变得越来越大、越来越耗电，光子计算提供了一条通往可持续、超快智能的道路。晶体管革命改变了世界；光子革命可能会再次改变它。