《Laser & Photonics Reviews》：Programmable Temporal Dynamics in a Laser Neuron for High-Speed Photonic Reservoir Computing
编辑推荐：
记忆与非线性在储备池计算（reservoir computing, RC）性能中起关键作用，不同任务需要不同水平的这些特性。然而，在大多数物理RC系统中，记忆与非线性是固定的，或仅能通过硬件重新设计来改变，这显著限制了系统的适应性。在此，研究人员实验演示了一种
记忆与非线性在储备池计算（reservoir computing, RC）性能中起关键作用，不同任务需要不同水平的这些特性。然而，在大多数物理RC系统中，记忆与非线性是固定的，或仅能通过硬件重新设计来改变，这显著限制了系统的适应性。在此，研究人员实验演示了一种自适应光子RC系统，其基于具有可编程动力学的高速激光分级神经元（laser graded neuron），该可编程动力学涵盖记忆与非线性。仅通过在较小范围内调节激光神经元的电流偏置与电压偏置（±2 mA，±0.2 V），即可同时编程这两种特性，从而为具有不同记忆与非线性需求的应用实现自适应优化。所提出的系统展示了有效的序列预测性能，动力学编程降低了多个任务中的预测误差，并成功演示了概念验证性图像生成。具体而言，在序列预测任务中，优化激光动力学降低了所测试偏置状态下的误差；在使用单个激光神经元进行图像生成时，将结构相似性指数（structural similarity index, SSIM）从0.573提高至0.705。此外，研究人员提出了一种多动力学联合训练（multi-dynamics joint training, MDT）方法，以进一步提升系统性能。该工作为自适应且多功能的RC系统奠定了基础，并为高速智能信号处理铺平了道路。
研究背景与问题：人工智能（AI）发展推动了对高效处理大规模复杂数据硬件方案的需求，传统电子计算难以跟上AI模型快速增长的计算需求。光子计算具有高速、低功耗和大规模并行优势，光子集成电路（PICs）在医学诊断、环境传感和自动驾驶等现代城市生活相关应用中展现出潜力。主流计算架构为光子神经形态计算，储备池计算（RC）源自循环神经网络（RNN），是一种强大高效的计算架构，其中适当的记忆与非线性可显著提升系统性能。不同任务需要不同水平的记忆与非线性，因此灵活调节这些特性对构建自适应通用RC系统至关重要。然而，大多数传统物理RC系统中，调谐系统特性主要依赖繁琐方法。例如，在基于时延反馈环路的RC系统中，记忆常通过调整延迟线长度或使用多条延迟线调谐；增加物理节点数也常用于增强记忆。这些方法不仅增加系统复杂度和硬件成本，还显著限制可扩展性和处理速度。此外，系统重构依赖硬件级修改；一旦系统建成，其记忆和非线性难以调整，难以适应不同任务需求。因此，除探索适合RC实现的器件外，开发更高效直接的系统特性编程策略也至关重要。
研究人员开展了什么研究与结论意义：研究人员实验演示了高速激光分级神经元中的灵活动力学编程能力。激光动力学涵盖记忆和非线性，可通过调节集成量子点（QD）激光的Gain区和SA区偏置进行二维编程，无需硬件重新设计。理论分析阐明了记忆持续时间可编程的内部动力学机制。实验表明，即使Gain区仅2 mA、SA区仅0.2 V的小偏置调整，也能有效编程记忆和非线性。研究人员随后构建了以动力学可编程激光神经元为物理储备池的光子RC系统，该系统可选择适合给定任务的动力学状态。该灵活动力学编程方法无需外部时延反馈环路或额外物理节点，支持快速动力学控制、快速系统重构，并能适应多样应用需求。该系统在多种序列预测和图像生成任务中性能增强，MDT方法进一步提升系统性能，为自适应且多功能RC系统奠定基础，并为高速智能信号处理铺平道路。
关键技术方法概括：本工作使用两段式集成量子点（QD）激光，包括Gain电流注入区和SA电压注入区；通过调节Gain区电流偏置（I
G）和SA区电压偏置（V
SA）编程激光动力学。实验系统包含任意波形发生器（AWG）、电放大器（EA）、Bias-T、RF探针、拉曼放大器、功率计、高速光电探测器和实时示波器。RC采用多变量输入（MVI）编码，使用最新50步输入窗口和9个变体，共450个虚拟节点。序列预测任务使用Mackey–Glass基准序列；David City温度数据集来自NASA Earthdata平台，为2015—2020年每小时温度测量；Panama国家电力负荷数据集由当地电网运营商提供，为2015—2020年每小时电力需求记录；图像生成使用MNIST手写数字数据集。MDT方法联合多个动力学状态输出训练读出层。
研究结果：
3.1 物理记忆持续时间：研究人员通过向激光注入两个相同脉冲并改变间隔评估物理记忆持续时间。第一个脉冲对第二个脉冲有促进效应，使第二个输出更高；当间隔超过记忆持续时间，促进效应消失，激光分级神经元“忘记”先前输入。调节SA区电压偏置可改变SA载流子寿命：较低电压偏置（更负）增强SA内电场，加速载流子漂移，缩短载流子寿命，使吸收（Q）快速恢复，促进效应消失，记忆持续时间较短；较高电压偏置使载流子寿命增加，Q恢复较慢，促进效应持续，记忆持续时间延长。调节Gain区电流偏置可改变增益（G）：低电流偏置下G较低，记忆持续时间短；高电流偏置提高G，延长记忆持续时间。实验在SA区电压偏置?3.85 V、Gain区电流偏置88至92 mA下评估，记忆持续时间可从1.02 ns编程至3.37 ns，调谐超过三倍。
3.2 RC系统的记忆容量：研究人员评估基于激光的RC系统记忆容量（MC）。典型RC系统包括输入层、由互连非线性节点组成的储备池层和读出层；激光分级神经元作为激光储备池。编程至较高记忆状态时，系统能保留更多过去信息。MC随Gain区电流偏置和SA区电压偏置增加而增加。将Gain区电流偏置从88 mA调至92 mA、SA区电压偏置从?4.25 V调至?3.85 V，MC从2.01增至2.75，提升超过37%。MC与物理记忆持续时间呈线性正相关，Pearson相关系数为0.933，表明强正线性关系。
3.3 RC系统的非线性指数：非线性是RC系统另一关键特性，可增强储备池表达性。研究人员定义非线性指数（NI）表征激光RC系统非线性，NI为总相关性中非线性相关所占比例。实验表明NI随Gain区电流偏置和SA区电压偏置增加而降低。在2 mA和0.2 V调谐范围内，NI可从0.49编程至0.38。NI随物理记忆持续时间增加而线性降低，Pearson相关系数为?0.919，表明强负线性关系。MC与NI的相关性表明增加系统非线性通常伴随记忆容量降低，与先前研究一致。调节激光偏置同时编程记忆和非线性，任务性能变化来自二者组合效应。因此，系统可通过灵活调节偏置选择任务依赖的动力学状态，获得适当记忆-非线性组合。
4.1 序列预测任务：研究人员使用基准任务和两个真实世界任务评估序列预测性能。目标是用最新50步预测未来第i步，i为未来-当前间隔。采用MVI编码，9个变体，共450个虚拟节点。Mackey–Glass混沌时间序列任务：预测第1步时，归一化均方根误差（NRMSE）从0.137降至0.075；预测第20步时，NRMSE从0.221降至0.114；NRMSE低于0.11的最大预测步从0增至16。David City温度预测任务：预测第1步时，归一化均方误差（NMSE）从0.110降至0.039；预测第20步时，NMSE从0.178降至0.089；NMSE低于0.13的最大预测步从2增至23。Panama国家电力负荷预测任务：第1步和第20步的NMSE降低超过两倍；NMSE低于0.24的最大预测步从1增至15；优化激光动力学可减少转折点序列波动，使预测与目标更接近。三个任务中最佳动力学状态随任务和预测范围变化。与静态非线性数字模型比较：理想无噪声下，多达450权重的静态非线性模型可在相当预测范围内匹配或超过激光储备池；David City任务中50权重静态模型可超过激光储备池；引入输入噪声后，静态非线性模型预测性能逐渐退化。阈值0.11、0.13、0.24主要用于更清晰可视化性能趋势。
4.2 图像生成任务：研究人员使用MNIST手写数字数据集进行图像生成，目标是用部分遮挡图像生成完整图像。原始图像调整大小以减少输入数据量，对每张图像施加相同随机掩码，掩码率80%，未遮挡像素水平展平编码为电脉冲注入激光储备池，输出波形采样用于训练读出层，虚拟节点数为未遮挡像素数；被遮挡像素作为生成目标。实验随机选择数字0和1的500个样本，400训练100测试。将激光分级神经元从低记忆/高非线性动力学状态编程至高记忆/低非线性动力学状态时，生成图像平均结构相似性指数（SSIM）从0.573增至0.705，平均峰值信噪比（PSNR）从11.357 dB升至13.149 dB。低记忆/高非线性状态下生成图像模糊；高记忆/低非线性状态下图像更清晰，不同数字可区分。因此单个激光分级神经元即可在图像生成任务实现有竞争力性能。研究人员还模拟全部十类数字生成以展示泛化潜力，但性能可能因相似形态数字增多而下降。
4.3 通过多动力学联合训练进一步提升系统性能：研究人员提出多动力学联合训练（MDT）方法，联合利用多个激光动力学状态下生成的特征。相同输入信号馈入编程至不同动力学状态的激光分级神经元，包括低记忆/高非线性状态、中记忆/中非线性状态和高记忆/低非线性状态；各状态输出采样形成不同节点组，联合训练读出层，利用不同动力学状态特征提高表达性。在Mackey–Glass任务中，MDT进一步提高预测精度，NRMSE低于0.11的最大预测步从15增至22；与之前报道物理RC系统比较，本激光RC系统在比较系统中实现最高处理速度，同时保持很低NRMSE。在两个真实世界任务中，MDT在一步和二十步预测中持续优于独立动力学训练（IDT）。David City温度任务中NMSE低于0.13的最大准确预测范围从23增至28；Panama国家电力负荷任务中NMSE低于0.24的最大准确预测步从15增至27，NMSE从0.091降至0.050。结果表明MDT对短期和长期预测均有效。动力学状态选择基于启发式选择而非严格优化，选择代表不同记忆和非线性组合的不同动力学区域；不同动力学状态组合的实验结果不同。未来可采用原位训练方法识别特定任务最优动力学状态组合。
讨论与结论总结：讨论部分比较了本工作与先前记忆增强方法。研究人员通过调节激光分级神经元偏置设置实现记忆和非线性的灵活编程，而先前方法需额外微环谐振器、时延反馈环、物理节点、深层储备池等硬件修改，灵活度低且速度受限。与相关工作比较，本系统在灵活调谐记忆特性的同时，在比较系统中实现最快运行速度（10 GHz）。实验表明记忆与非线性同时编程，可为特定任务找到合适平衡；系统在Mackey–Glass、David City、Panama和MNIST任务中性能增强；MDT通过捕获不同动力学状态特征进一步提升性能。动态编程方法简洁高效，适应不同任务，适合构建广泛适用RC系统。与静态非线性模型比较，理想无噪声下静态非线性模型可提供强预测性能并在许多序列预测任务中超过激光储备池，甚至50权重模型有时可超过；因此本系统意义不在于相对理想数字模型普遍更优预测精度，而在于证明物理激光神经元的时序动力学可灵活编程并适应不同计算任务；输入噪声存在时静态模型性能逐渐退化并可变得差于激光储备池。制造技术支持激光分级神经元大规模集成；结合时分和空分复用，可进一步提升计算吞吐，使单芯片高效处理多样真实应用海量数据流；之前工作实现III–V激光器在绝缘体上硅（SOI）平台单片集成，使动态可编程激光神经元与标准硅光子组件集成成为可能，最终促进高集成密度和可扩展性多功能光子计算单元构建。高速动态可编程激光神经元为下一代边缘计算设备开辟新可能。
研究结论翻译：研究人员实验演示了一种高速动态可编程激光分级神经元，并将其用作物理储备池构建光子RC系统。与先前工作中繁琐的记忆调谐方法相比，该方法通过调节激光分级神经元的偏置设置，实现涵盖记忆和非线性的激光动力学灵活编程。与相关工作的比较表明，本系统在实现灵活调谐记忆特性的同时，在所比较系统中达到最快运行速度。实验结果表明，记忆和非线性被同时编程，因此可为特定任务找到合适的记忆-非线性平衡。结果，该系统在各种AI任务中表现增强，包括基准Mackey–Glass序列预测任务、两个真实世界序列预测任务（David City温度预测和Panama国家电力负荷预测）以及MNIST图像生成任务。此外，所提出的MDT方法使系统能够捕获不同动力学状态下的不同特征，从而进一步提升系统性能。该动力学编程方法简洁高效，对不同任务具有适应性，非常适合构建广泛适用的RC系统。此外，制造技术支持激光分级神经元大规模集成；利用激光分级神经元阵列结合时分和空分复用，系统计算吞吐可进一步提升，使单芯片高效处理来自多样真实应用的海量数据流；之前工作已成功演示嵌入III–V激光器在绝缘体上硅（SOI）平台上的单片集成，使动态可编程激光神经元与标准硅光子组件集成成为可能，最终促进具有优越集成密度和可扩展性的多功能光子计算单元构建。高速动态可编程激光神经元为下一代边缘计算设备开辟新可能。
