Photonic Neural Processor

呢個係咩？

🎯 模擬器提示

📚 術語表

Photonic Neural Network

一種人工神經網絡，使用光訊號（光子）而不是電訊號（電子）來執行計算，從而實現光速處理。

Mach-Zehnder Interferometer (MZI)

將光束分成兩路並重新組合的光學裝置；透過控制相對相位，它可以執行神經網路所需的矩陣運算。

Matrix Multiplication

深度學習中的核心數學運算，輸入資料透過權重矩陣進行變換；光子處理器以光速執行此操作。

Optical Nonlinearity

材料對光強度的非比例響應，對於在光子神經網路中實現激活函數至關重要，這是該領域的關鍵挑戰。

Silicon Photonics

使用標準半導體製造在矽晶片上建構光學電路的技術，可實現光子處理器的大規模生產。

Wavelength Division Multiplexing

使用不同波長的光線透過同一光路同時發送多個資料通道，從而顯著提高吞吐量。

Microring Resonator

一種緊湊的圓形光波導，可過濾、切換和調製光訊號，用作光子神經網路中的可編程權重。

Phase-Change Material (PCM)

一種可以在晶態和非晶態之間切換的材料，用於光子系統中，用於神經網路突觸中的非揮發性權重儲存。

Optical Computing

使用光子進行資訊處理的計算範例，與電子計算相比，在速度、平行性和能源效率方面具有優勢。

Activation Function

應用於神經網路輸出的非線性數學函數；以光學方式實現這一點（無需轉換為電子設備）是一個重大挑戰。

In-Situ Training

直接在光子硬體上而不是在數位計算機上訓練神經網絡，這得益於光學計算的超低延遲。

Neuromorphic Photonics

該領域將神經科學啟發的計算與光子學相結合，使用基於光的神經元和突觸來模擬生物神經處理。

Photonic Integrated Circuit (PIC)

在單一基板上整合多個光學元件（波導、調製器、偵測器）的晶片，類似電子積體電路。

🏆 關鍵人物

Yichen Shen (2017)

領導 2017 年 MIT 團隊展示了第一個在矽光子晶片上使用 56 個可編程馬赫-曾德干涉儀的片上光學神經網絡

Dirk Englund (2024)

麻省理工學院教授的量子光子學和人工智慧小組展示了完全整合的光子處理器，在亞納秒推理中實現了 92% 以上的準確度（2024 年）

Marin Soljacic (2017)

麻省理工學院教授，共同領導了 2017 年光學神經網路的開創性工作，並繼續推進光子運算架構

Demetri Psaltis (1990s)

1990 年代 90 年代加州理工學院使用全像術的光學神經網路的先驅，為光子運算奠定了理論基礎

Wolfram Pernice & Harish Bhaskaran (2019-2021)

開發了基於相變材料的光子突觸，為光子神經網路實現非揮發性權重存儲

Bhavin Shastri & Paul Prucnal (2021)

發表有影響力的《自然光子學》評論，為神經形態光子學和基於尖峰的光學計算制定路線圖

Gu Min (2025)

在上海理工大學領導了整合光子突觸、神經元和憶阻器的全面綜述

🎓 學習資源

Deep learning with coherent nanophotonic circuits
具有里程碑意義的 2017 年 Nature Photonics 論文展示了第一個片上光學神經網絡
Photonic processor enables ultrafast AI computations
2024 年 Nature Photonics 論文，關於具有亞納秒推理功能的完全整合光子 AI 處理器
MIT News - Photonic Processor
全面了解 2024 年全集成光子 AI 計算突破的概述
Neuromorphic Photonics Review (arXiv)
全面回顧光子神經形態運算的基礎、設備和機會

💬 畀學習者嘅話

人工智慧運算的未來可能不是更快的電子產品——它可能是光本身。光子神經處理器代表了一個根本性的轉變：我們不再透過產生熱量和浪費能量的細小電線來推動電子，而是引導光子通過以光速計算的光學電路。單一光子晶片可以在奈秒內完成電子處理器需要微秒才能完成的工作。隨著人工智慧模型變得越來越大、越來越耗電，光子運算提供了一條通往永續、超快智慧的道路。晶體管革命改變了世界；光子革命可能會再次改變它。