基于对称保护零模式的耦合纳米激光阵列光子神经形态计算

《Nature Communications》：Photonic neuromorphic computing using symmetry-protected zero modes in coupled nanolaser arrays

本研究针对人工神经网络(ANN)能耗高的问题，提出了一种基于对称保护零模式的光子神经形态计算架构。研究人员通过设计耦合半导体纳米激光阵列，利用非厄米手性对称性激发零模式，成功实现了XNOR逻辑门等非凸分类任务。实验表明，仅需2×2纳米激光阵列即可在高度压缩的手写数字分类中保持稳健性能，为低能耗光子计算提供了新方案。

　　

随着人工智能技术的飞速发展，人工神经网络(ANN)正以前所未有的速度推动着科技进步，但这一进步也带来了训练过程中能耗的指数级增长。传统的电子架构在处理特定任务时面临能效瓶颈，这促使科研人员将目光转向神经形态计算这一新兴领域。光子神经形态计算作为其中最具潜力的方向之一，利用光的独特性质——高并行性、超快处理速度和卓越的能效，为突破传统计算架构的局限提供了可能。

在这样的大背景下，纳米激光器因其超低功耗和本征非线性特性成为研究热点。然而，现有光子神经网络中的非线性激活函数通常需要额外的非线性材料或散射介质，这增加了系统设计的复杂性。相比之下，半导体纳米激光器本身具有增益饱和非线性和谐振频率偏移等特性，为实现紧凑型光子计算单元提供了天然优势。

近日发表在《Nature Communications》的一项研究提出了一种创新的解决方案。由Kaiwen Ji、Giulio Tirabassi等研究人员组成的团队开发了基于对称保护零模式的耦合纳米激光阵列，成功实现了高效的光子神经形态计算架构。该研究的独特之处在于将非厄米拓扑光子学中的对称性保护机制与神经形态计算相结合，通过异常点(EP) bifurcation激发稳健的零模式，为处理复杂分类任务提供了新范式。

研究人员采用的关键技术方法包括：设计并制备了基于磷化铟(InP)膜的耦合光子晶体(PhC)纳米激光阵列，通过空间光调制器(SLM)实现泵浦图案的动态调控，利用光谱分析系统监测零模式激射状态，并建立数字孪生模型对矩阵M进行优化。实验中使用脉冲激光器(10 MHz重复频率)避免热效应，通过主成分分析(PCA)对特征空间进行可视化处理。

对称保护零模式

研究团队设计了一种紧束缚模型的光学腔阵列，其哈密顿量包含共振频率ω_j、均匀损耗κ和增益速率g_j。在四方格阵列中，通过引入非厄米手性对称性，系统在异常点处发生对称性自发恢复，产生受对称性保护的零模式。

XNOR逻辑门

作为非凸分类的基准测试，研究人员实验证明了2×2纳米激光阵列能够解决XNOR逻辑门问题。通过将输入编码为腔体1和4的泵浦功率(I₁和I₂)，当且仅当两个输入相同时系统激发零模式，输出为1。实验结果显示，在参数空间的对角角点处出现了明显的正响应区域，成功再现了XNOR真值表。

二值分类

在更具挑战性的手写数字分类任务中，研究团队首先使用Iris数据集验证了方法的可行性。结果显示，对于线性可分的Setosa类，分类准确率达到100%，而对于特征空间存在重叠的Versicolor和Virginica类，系统凭借其本征非线性和递归耦合仍能保持稳健性能。

为进一步测试系统极限，研究人员将手写数字的图像分辨率从8×8压缩至2×2，导致特征边界严重重叠。在此极端条件下，单层感知机性能大幅下降，而纳米激光阵列仍能保持较高分类准确率，与随机森林(RF)等非线性分类器性能相当。

该研究的创新性在于首次将对称保护机制应用于光子神经形态计算，通过小型纳米激光阵列实现了传统上需要大规模网络才能完成的复杂任务。系统能量消耗极低，单个纳米激光器的阈值泵浦功率仅为3-4μW，每脉冲能耗约1pJ，相比电泵浦光子晶体纳米激光器有近三个数量级的能效提升。在鲁棒性方面，对称保护机制使系统对结构 disorder 和泵浦扰动具有较强容错能力。

这项研究为未来光子计算的发展指明了重要方向：通过对称性或拓扑保护模式，可以在不显著增加神经元数量的情况下处理复杂问题。这种架构特别适合作为神经网络的最终读出层，其输出模式数量原则上可以与分类类别数相匹配。未来可通过构建多组纳米腔阵列与可调波导连接，实现更深层的神经网络架构。该技术还有望与超表面结合，实现全光学线性变换，进一步提升处理速度。

总之，这项研究不仅展示了一种新型的光子神经形态计算架构，更重要的是开辟了利用对称性保护机制实现高效、紧凑、鲁棒光学计算的新途径，为应对日益增长的人工智能计算需求提供了有前景的解决方案。