用于脉冲神经网络的超快全光仿生编码器

《Opto-Electronic Science》：Ultrafast all-optical biomimetic encoder for spiking neural networks

　　

1 引言
人工神经网络（ANNs）在图像识别1?5、自然语言处理6?8 和数字信号处理（DSP）9?11 领域取得了显著进展。然而，高昂的计算开销导致可观的功耗，这对现实世界的部署构成了挑战12?14。脉冲神经网络（SNNs）作为一种生物合理且节能的替代方案出现，它通过离散的电脉冲或光脉冲来表示信息15?26。光子学凭借其超高速、宽带宽和能效，成为下一代神经计算的有前景的方向27?33。因此，光子脉冲神经网络（PSNNs）引起了越来越多的关注，光子神经元和突触能够实现信息的全光传输和处理29,30,34–36。迈向可扩展 PSNN 系统的关键一步是开发鲁棒的全光脉冲编码器。然而，构建功能性脉冲编码器的一个关键瓶颈在于有效地将模拟输入信号转换为脉冲串20,25。高质量脉冲生成是可靠 SNN 计算的前提。表 1 回顾了最近关于不同机制脉冲编码器的研究，表明脉冲速率和线性映射是两个主要挑战。

表 1. 不同脉冲生成方案的比较。
年份 参考文献 电气/光学 机制 脉冲速率 (Hz) 编码精度 (位) SNN 处理 能耗 (pJ/脉冲)
2021 ref.37 电气 随机采样与阈值 100 是 ≈3 是 1–5
2023 ref.38 电气 随机采样与阈值 100 k 是 ≈3 是 NA
2021 ref.27 光学 自旋翻转模型 ≈0.6 G 否 NA 否 0.94
2021 ref.28 光学 自旋翻转模型 1 G 是 NA 否 0.62
2025 ref.19 电气 忆阻器 220 k 是 ≈3 是 NA
2025 ref.23 电气 忆阻器 4.5 M 是 NA 是 0.35
2023 ref.40 光学 速率方程模型 5 G 是 NA 否 2.44
2026 ref.42 光学 YAMADA 模型 0.8 G 是 NA 否 35.6
2025 ref.43 光学 微环谐振器 50 M 是 NA 否 6
2026 本文 光学 小柳 - 朗方程 2 G 是 ≈5 是 0.5

脉冲信号可以通过电气或光学方式生成。电气脉冲生成通常依赖采用新型材料制造的光电设备。例如，多层剥离 MoS2 已被用于创建采样门控设备，能够生成速率高达 100 Hz 的类脉冲电流37。同样，β-AsP 和 MoTe2 异质结构被用于通过零偏置阈值检测，从随机红外信号生成 100 kHz 的脉冲38。如表 1 所述，这些方法在支持低延迟和高吞吐 SNN 应用所需的高脉冲速率方面尚显不足。相比之下，光学脉冲生成通常通过光注入实现，提供了显著更高的速度27–30,34,39–43。在光注入系统中，主激光器（ML）将光注入从激光器（SL），例如垂直腔面发射激光器（VCSEL），随后发射光脉冲34,44。这些脉冲可用于实现神经形态功能，包括数字卷积27，其中单个脉冲被解释为二进制'1'。多项研究还探索了光学生成脉冲的固有动力学，包括放电率、延迟和不应期，这证明了其生物合理性45?48。然而，大多数先前工作仅关注二值脉冲的存在/不存在，而未建立输入幅度与脉冲速率之间可靠的线性映射。此外，正如表 1 所示，很少研究系统地调查编码精度、对脉冲幅度调制（PAM）信号的适应性以及与商用光纤通信系统的兼容性。此外，大多数演示仍停留在分立设备层面，缺乏一个涵盖光编码、光纤传输以及基于 SNN 的多模态信号智能决策的完整系统框架。

在本工作中，我们提出了一种新颖的方法，利用仿生法布里 - 珀罗（FP）激光器作为类神经元脉冲编码器进行强度到脉冲的转换。与先前的二值脉冲生成方案不同，我们的方法将输入幅度映射为脉冲速率。利用光注入配置，我们通过调节 ML 与 FP 激光器之间的注入功率和频率失谐来生成高速率脉冲串，实现了超过 2.0 GHz 的脉冲速率。将 PAM 信号注入 FP 激光器，并将其转换为对应于输入幅度的可变速率脉冲串。随后，这些脉冲编码信号由数字 SNN 处理以执行图像识别任务，在 MNIST 数据集上实现了超过 94% 的准确率。此外，我们证明这种编码方法可以扩展到生理信号表示，用于智能医疗诊断，提供了一个用于光子神经形态计算的通用平台。超越设备层面的演示，我们的脉冲编码器与现有光通信网络的集成，使得感知的模拟信号可以直接通过光纤传输，随后在中央处理器处进行网内全光脉冲生成。这一设计示例了在现代光纤通信基础设施内部署可扩展、低延迟光子神经形态系统的潜力。

2 基于光脉冲的编码方案
2.1 受生物器官启发的脉冲神经网络机制
图 1 展示了一个比较生物神经网络（BNN，上部）和 SNN（下部）的模型。在 BNN 中，人类的感觉器官如眼睛感知外部刺激，如光线37,38。神经网络中的神经元和突触将强度信息转换为脉冲，最终大脑可以处理脉冲信号。同样，SNN 将接收和处理由人工神经元和突触生成的脉冲信号20–23。在许多场景中，包括通信、多媒体和生物医学，光网络中的各种信号可以通过本工作提出的光子设备实现转换为脉冲。此外，生成的光脉冲信号的波长约为 1550 nm，表明该信号的传输与现有的光纤通信系统以及已大规模部署的光网络兼容。

图 1. BNN（上部）和 SNN（下部）示意图。（a）以眼睛（感觉器官之一）为例，演示 BNN 的机制。外部刺激通过眼睛视网膜中的神经节细胞、双极细胞和光感受器转换为脉冲。脉冲信号通过神经传递到大脑进行处理。此外，感觉器官可以适应不同的刺激条件。（b）在 SNN 中，脉冲可以由由光子设备实现的核心神经元生成。这里的外部刺激指的是来自不同场景的各种信号，包括通信、多媒体和生物医学等。由于波段约为 1550 nm，脉冲甚至可以在光通信网络中继续传输。生成的脉冲可以在终端的脉冲神经网络中进行处理。

2.2 光脉冲信号的生成及其特性
如图 2(a) 所示，我们实验装置的主要部分由一个 FP 激光器和一个光环行器组成。FP 激光二极管的宏观图像和微观结构也分别显示在图 2(a) 中。在 FP 激光器的腔体内，由于腔体两端的反射镜，光子会来回移动。增益介质可以大大增加光强度。当恒幅度的光信号注入 FP 激光器时，生成的光从环行器的输出端口发出。根据理论模型，在适当调整 Ainj 和失谐 Δωinj 后，输出光信号的时域波形将呈现一系列脉冲（见讨论部分）。首先，应该找到脉冲发生的范围。主要影响脉冲范围的因素包括两个激光器之间的频率偏移、ML 的注入功率和 FP 激光器的偏置电流。图 2(b) 显示了不同偏置电流下的脉冲范围。FP 激光器的中心频率约为 192.920 THz。由于 ML 是可调谐激光器，其频率可以比 SL 低 1.5–3.5 GHz 进行失谐。此外，注入光功率衰减到约?35 dBm，以验证不同功率引起的脉冲范围变化。随着注入功率的降低，脉冲数量逐渐增加。脉冲开始发生的注入功率被定义为脉冲范围的上边界。随着频率偏移变大，由于上边界增加，脉冲范围也会延伸。更高的偏置电流也有助于扩大脉冲范围，如不同颜色填充区域所示。例如，图 2(c) 和 2(d) 分别显示了频率偏移为?2.5 GHz 且偏置电流为 13 mA 条件下输出光信号的频谱和时域波形。图 2(c) 显示了输出光信号的频谱。相比之下，也呈现了自由运行 FP 激光器输出的频谱。图 2(d) 显示了相应的波形。当注入功率为?20 dBm 时，频谱的边峰被明显抑制，相应的波形表明由两个激光器引起的拍频。当功率降至?30 dBm 时，边峰不再被抑制，脉冲开始出现。

图 2. 光脉冲信号的实验演示及其特性。（a）FP 激光器和光环行器的光注入系统。当 FP 激光器被注入适当功率的光信号时，将生成光脉冲信号。TL：可调谐激光器。VOA：可变光衰减器。PC：偏振控制器。（b）调整注入功率和失谐频率偏移时的脉冲范围。实线是脉冲范围的粗略上边界。不同颜色填充区域表示当 FP 激光器的偏置电流分别为 14、13 和 12 mA 时的脉冲范围。（c, d）输出光信号的频谱和时域波形。频率偏移为?2.5 GHz，偏置电流为 13 mA。从上到下注入功率分别为?20、?25 和?30 dBm。（e）脉冲速率作为注入功率的函数。偏置电流为 14 mA。FO 为?2.5 GHz，ωSL 为 192.920 THz。（f）当注入功率从上到下分别为?25、?27 和?29 dBm 时，生成光信号的时域波形。（g）生成光信号的频谱。注入功率为?30 dBm。ωSL 分别为 192.920、193.0776、192.7633 和 193.2349 THz。（h）脉冲速率作为 ωSL 的函数。（i）不同偏置电流下脉冲速率作为 FO 的函数。

如果注入功率继续降低，时域波形中将出现更多脉冲。然后根据一个周期（Ts）内的脉冲数（n）计算脉冲速率，即 spikerate=n/Ts38。图 2(e) 显示了脉冲速率作为注入功率函数的平均值。可以清楚地观察到，随着注入功率衰减，脉冲速率逐渐增加，当偏置电流为 14 mA 时，在?36 dBm 处最高速率可达 2.0 GHz 以上。图 2(e) 中的蓝色填充区域代表实验结果的误差棒。与其余部分相比，?28 至?31 dBm 的注入功率范围相对稳定，其映射函数几乎是线性的。图 2(f) 显示了当注入功率从上到下分别为?25、?27 和?29 dBm 时，生成光信号的时域波形。对于每种条件，在相同的 10 ns 范围内脉冲数量分别为 3、9 和 15 个。由于 FP 激光器有许多纵模，ωSL 可以是相应边模的其他频率。图 2(g) 显示了当频率偏移为?2.5 GHz 且 ωSL 分别为 192.920、193.0776、192.7633 和 193.2349 THz 时，被?30 dBm 的光注入后生成光信号的频谱。然而，如图 2(h) 所示，注入其他频率光后生成的光脉冲信号的脉冲速率远低于中心频率。因此，选择 FP 激光器的中心频率作为 ωSL 更为合适。

图2(i)展示了偏置电流如何影响脉冲频率。随着FP激光器的偏置电流增大，脉冲频率也随之增加。

2.3 从幅度到频率的编码方案

在获得了脉冲频率与注入功率之间的传输函数后，我们可以将携带幅度信息的信号转化为由脉冲频率携带信息的信号。我们利用马赫-曾德尔调制器(MZM)对任意波形发生器(AWG)产生的PAM信号进行调制，调制对象为ML输出的光信号。经环形器将光信号注入FP激光器，同时设置偏振控制器以使光信号的偏振方向保持一致。功率计(PM)可监测注入功率。生成的光信号经光电探测器(PD)转换为电信号后送入数字示波器(DSO)。整个装置的详细信息见讨论部分及补充图S8。由于MZM的工作点位于降沿，调制后的光信号与AWG产生的电PAM信号呈反相关。PAM信号的幅度越高，调制后光信号的功率越低，从而脉冲频率越高。实验中送入一个简单的PAM8信号以进行验证。图3(a)分别展示了发送信号与接收信号的波形。可以清楚地看到，较低的幅度会引发更稀疏的脉冲，而强度较高的信号会引发更密集的脉冲。此外，我们还测试了一个具有256级的PAM信号，每级宽度为50 ns。由于PAM信号幅度不恒定，PM无法读取每一级的功率，因此我们监测整个光信号的平均功率。图3(b)展示了不同平均功率下对应信号的脉冲频率。当平均功率相对较高时，初始低幅度区域无脉冲。随着各级幅度升高，脉冲频率随之增加。然而，当平均功率降低时，脉冲频率的动态范围变小。因此，应选择适当的平均功率以获得更好的编码性能。图3(b)还展示了AWG输出电信号的峰峰值电压(Vpp)所带来的影响。对于平均功率相同的光信号，当平均功率相对较高时，随着Vpp增大脉冲频率显著增加；相反，当平均功率相对较低时，增加幅度较小。当Vpp为0.2、0.4、0.6、0.8和1.0 V时获得了传输函数。图3(b)包含了Vpp = 0.2 V和1.0 V的情况，其他情况见补充图S2。图3(c)和3(d)展示了幅度与脉冲频率之间函数的比特精度。为评估线性度，对各级强度与脉冲频率进行了归一化处理。图3(c)展示了当光信号平均功率为?30 dBm、电信号Vpp为0.2 V时的归一化实验结果。红色实线表示幅度与脉冲频率之间的理想关系。图3(c)还展示了实验结果与理想结果之间的差异，其波动围绕0.0，意味着有效的线性映射。图3(d)给出差异的均方根标准差σrms = 0.0346，表明约5比特精度。

图3. 将信号转换为脉冲的编码方案。(a) 发送信号与接收信号的时域波形，前者为PAM8信号，后者为脉冲。(b) 平均功率在?27至?34 dBm范围内的PAM256信号的脉冲频率，PAM256信号的Vpp也影响脉冲频率。Vpp为0.2 V(左侧部分)和1.0 V(右侧部分)。(c, d) 幅度与脉冲频率函数的比特精度。(c) 平均功率为?30 dBm、Vpp为0.2 V时的归一化实验结果。红色实线表示幅度与脉冲频率之间的理想关系，绿色线表示实验结果与理想结果之间的差异。(d) 差异的标准差，σrms = 0.0346表明约5比特精度。(e) 每张像素代表归一化脉冲频率的编码图像，传输函数的Vpp(0.2 V, 1.0 V)和平均功率(?28 dBm, ?31 dBm, ?34 dBm)会影响编码性能。(f) 编码图像与原图之间的相关系数。

随后，我们利用强度与脉冲频率的传输函数对手写数字'3'的图像进行编码。对于图像中每个像素对应的值，将其转换为脉冲频率。图3(e)展示了编码后的图像，其中每个像素代表归一化脉冲频率。尽管传输函数的Vpp(0.2 V, 1.0 V)和平均功率(?28 dBm, ?31 dBm, ?34 dBm)不同，但这些编码图像之间的差异并不明显，表明我们的编码神经元具有良好的灵活性和对不同条件的适应能力。这种能力与BNN的感觉器官非常相似，后者也能在外部刺激变化时有效处理信息37,38。我们计算了编码图像与原图之间的相似度，即相关系数(CC)。如图3(f)所示，当平均功率低于?29 dBm时，所有Vpp下的CC均超过98%。

3 脉冲编码在应用中的性能评估

3.1 通过脉冲编码实现的手写数字分类

图4(a)展示了在手写数字分类任务中编码的实验方案。首先将28 × 28像素图像展平为1 × 784的数组，即携带强度信息的电信号。随后，利用MZM对信号进行调制以生成光信号。展示了输入波形的一部分，可以清楚地观察到不同幅度在输出端产生不同脉冲频率。对生成的脉冲进行计数并送入SNN进行验证，该SNN隐藏层有200个神经元，输出层有10个神经元。在SNN算法中，图像中的每个像素被分配一个称为step的向量，step的数量(n)即向量长度。像素的归一化值用作脉冲发生的概率(p)。因此，该向量实际上是伯努利试验，即B(n,p)。向量中的'1'表示信号波形中发生脉冲，'0'表示未发生脉冲，从而可以统计单个像素的总脉冲数以计算脉冲频率20。由于归一化像素值作为SNN输入序列中每个时间步内生成脉冲('1')的概率，较高的像素值产生更多脉冲，较低的像素值产生较少脉冲，从而为SNN形成二值脉冲序列输入。我们的光学脉冲编码器通过幅度到脉冲频率的映射，将输入信号幅度转换为光学脉冲计数，这些光学生成的脉冲直接构成输入到后续数字SNN的二值输入序列。值得注意的是，脉冲计数不足或过多都会降低幅度到脉冲频率传输函数的近似线性度。这与归一化像素值失真类似，最终会损害分类性能。SNN通过预训练MNIST数据集调整内部权重，训练批大小为128。经过约450次迭代后，网络权重通过上述算法得到良好训练。随后该网络可用于验证我们编码方案的效果(见讨论部分)。

图4. 编码的实验方案及结果讨论。(a) 编码的实验方案。28 × 28像素图像展平为1 × 784数组，然后通过MZM调制生成光信号。展示了输入(中间部分上方)和输出(中间部分下方)的波形。SNN隐藏层有200个神经元，输出层有10个神经元。(b, c, d) MNIST数据集上分类准确率随step数量的变化。(b) 展示Vpp如何影响准确率，光信号平均功率为?30 dBm。(c) 展示平均功率如何影响准确率，Vpp为1.0 V。(d) 展示PAM信号中各级宽度如何影响准确率，插图分别为Ts = 20 ns和2 ns时脉冲频率与强度的函数关系。(e) 准确率随光信号平均功率的变化，区域I、II、III中编码性能各不相同。

图4(b)展示了光信号平均功率为?30 dBm时分类准确率随step数量的变化。当信号Vpp变化时，准确率变化不大，且非常接近理想线性编码器的准确率。然而，如图4(c)所示，显然不适当的平均功率会降低准确率。?30 dBm是平均功率的最佳选择。当功率高于此值时，最高脉冲频率可能偏低；反之，当功率低于?30 dBm时，最低脉冲频率可能偏高。这两种情况都会导致脉冲动态范围变小，最终降低编码性能。如上所述，PAM信号中各级宽度为50 ns。如图4(d)中两个插图所示，当宽度减小时，脉冲频率与强度之间的传输函数逐渐失去单调性。当宽度为2 ns时，函数图像更像阶梯而非曲线。然而，SNN似乎具有消除误差的能力，准确率并未下降。我们编码方案的最佳准确率可达94.1%。此外，我们的FP激光器编码神经元在FashionMNIST数据集上也达到了82.1%的推理准确率(见补充图S3)。由于光信号平均功率主导影响我们编码方案的性能，因此我们进一步评估了功率的适当范围。保持Vpp为1.0 V、宽度为50 ns以维持测试结果一致。我们将平均功率调整至?20至?42 dBm范围，最终得出性能与功率之间的关系，如图4(e)所示。在区域I中，由于光注入系统未产生脉冲，编码不工作，准确率极低。在区域II中，信号中逐渐出现脉冲形成正相关映射，当平均功率在?30 dBm左右时准确率可保持在90%以上。在区域III中，脉冲幅度降低，难以与噪声区分，从而阻碍编码并显著降低性能。因此，约?30 dBm的平均功率适合我们的脉冲编码方案。MNIST和FashionMNIST数据集中的图像均为离散信号，我们的演示中还将连续音频信号成功转换为脉冲。音频信号的时域幅度并不恒定，但生成的脉冲幅度几乎相同(见补充图S4)。

这表明我们的编码神经元具有利用光子器件针对不同场景处理多样化信号的潜力，从而进一步拓展了光子计算的部署范围。

3.2 光学脉冲编码与智能诊断中的SNN处理

人工智能辅助的医疗分析与诊断已大大减轻了医务人员的负担[49,50]。专为医疗系统设计的强大且高效的神经网络可以帮助医生以更快速度、更高精度处理各种生理信号所传递的信息。此外，为应对患者突发风险及其瞬时生理状态，还需要更低的延迟和实时处理能力[51]。因此，本文提出了一种基于SNN的计算架构，可适应不同的医疗场景，包括X射线照片（二维信号）和心电图（一维信号）。图5(a)展示了我们在光网络中提出的基本架构配置。各病房的病人可能患有不同的疾病和症状，等待医生诊断。来自病人的生理信号可由马赫-曾德尔调制器（MZM）对可调谐激光器（TL）源发出的光进行调制。我们的方案采用时分复用（TDM），使得每个病房都有不同的时段用于上传数据。光分波器将所有病人信号耦合在一起以供后续脉冲编码。由于光分波器引起的耦合损耗，每两个上行链路的光功率会有3 dB衰减，耦合后的总信号可能衰减3log?N dB（N为上行链路数量）。如前所述，约?30 dBm是FP激光神经元进行脉冲编码的最佳注入功率。因此，若每个TL的功率为0 dBm，我们提出的方案可支持1024个病房。如果利用不同波长进行波分复用（WDM），我们的方案甚至可支持更多用户。FP激光神经元随后将输入信号序列转换为相应的脉冲序列。经光电探测器（PD）检测后，脉冲可被SNN处理，进而辅助诊断。

图5. 光学脉冲编码与智能诊断中SNN处理的架构及其结果讨论。(a) 所提架构的基本配置。光注入系统将各病房病人的生理信号转换为脉冲。借助SNN可做出诊断。(b, c, d) 医疗智能诊断中的三个潜在应用场景。(b) 展示了X射线图像识别任务，用于区分肺炎病例与正常病例。(c) 展示了连续信号ECG的处理。(d) 展示了心音分类任务，用于区分异常与正常情况。(e, f, g) 这三个任务（X射线图像识别/ECG处理/心音分类）的推理准确率。在步数为1、10和100时，SNN在未使用/使用脉冲编码的测试集上进行测试。

我们通过离线公开数据集上的概念验证分类任务，进一步展示了脉冲编码器对多模态生理信号的通用性，包括X射线图像诊断、心电图（ECG）处理和心音分类，如图5(b–d)所示。对于患者1，借助SNN演示了肺炎识别任务，如图5(b)所示。这是一个二分类数据集[52,53]，包含肺炎病例和正常病例。28×28的胸部X射线图像以平均功率?30 dBm被编码为光脉冲。图5(c)展示了患者2的不同ECG及其对应标注[54,55]。由于心率相对于脉冲生成速率较低，我们的FP激光神经元也可以将这种连续信号转换为脉冲。该任务同样包含两个类别——正常与异常病例，分类的更多细节见"讨论"部分。图5(d)展示了患者3的心音分类任务[54,56]。由于声音信号通常被转换为频谱图，该任务也可视为图像分类（见"讨论"部分）。图5(e–g)为这三个任务在我们计算方案中的性能表现。推理准确率在测试集上计算，分别对未使用/使用脉冲编码的情况。同样，我们验证了不同步数下的分类准确率。当步数为100时，在脉冲编码测试集上的准确率达93.2%，如图5(e)所示，非常接近未使用脉冲编码的准确率（94.0%），表明我们的编码方案在AI辅助医疗分析中是有效的。在图5(f)中，使用脉冲编码的性能随着步数增加未能得到提升，因为ECG信号是一维信号，对每个采样点的幅度更为敏感。图5(g)显示了心音分类的准确率，使用脉冲编码时可达到86.0%。更多结果见附图S5和S6。需要注意的是，这些结果是概念验证，并不代表完全功能的临床诊断系统。实际的医疗部署需要进一步的硬件集成、实时临床数据采集和严格的临床验证，这些留待未来研究。

为评估所提架构在远程智能医疗中的实际可行性，实验实现并表征了一条10 km的单模光纤传输链路。图S7对比了背靠背（BtB）条件和10 km传输条件下的接收波形，证实脉冲编码在测试距离内保持可靠。值得注意的是，在设想的医疗场景中，脉冲编码器部署在医院数据中心，每个病房到数据中心的物理距离通常远低于10 km。因此，10 km链路代表的是上限条件而非常规运行距离。考虑到光纤损耗系数为0.18 dB/km，10 km链路引入的总插入损耗约为1.8 dB。根据图2(e)中的脉冲速率转移特性，这种功率变化仅引起脉冲速率的微小变化，且在实际部署中偏差进一步被抑制。如图4(e)所示，在最佳注入功率?30 dBm附近运行，使推理准确率对这种1.8 dB的功率波动几乎不敏感，从而引起可忽略不计的性能退化。

4 讨论

4.1 理论分析与数值模拟

对于光注入系统，采用描述光注入半导体激光器行为的速率方程[57,58]。这些方程具有如下形式：

dA(t)/dt = ?[g(N(t)?Ntr)?γp]A(t) + κAinj·cos(φ(t)), (1)

dφ(t)/dt = α/2·[g(N(t)?Ntr)?γp] ? κAinj/A(t)·sin(φ(t)) ? Δωinj, (2)

dN(t)/dt = J ? γN·N(t) ? g(N(t)?Ntr)·A(t)2/2, (3)

其中A(t)为SL光场的幅度，φ(t)为ML与SL之间的相位差，φ(t) = φSL(t) ? φML(t)。N(t)为SL增益区内的载流子数。Ainj为ML光场幅度。Δωinj为两激光器之间的频率偏移，Δωinj = ωML ? ωSL。其他参数及其用于数值模拟的数值列于文献[57]中。模拟中采用龙格-库塔法，结果显示当适当调整Ainj和调谐量Δωinj时会产生脉冲（见图S1）。脉冲速率随注入光功率的可调性源于注入光场与FP激光器载流子动力学之间的相互作用。注入后，主激光器光场通过受激发射复合降低了从激光器增益区内的载流子密度。由于与载流子密度强相关的折射率特性（由线宽增强因子α表征），这种载流子调制直接耦合到主从激光器之间的相位演化φ(t)中[57]。当系统在脉冲范围内工作时，相位差不断积累直至滑动2π，每次2π相位滑移产生一个光学脉冲。间隔可表示为如下形式：

Δt = |t|φ=?2π(m+1) ? t|φ=?2πm|, (m≥1) (4)

这些相位滑移的重复设定了脉冲速率：

fspike = 1/Δt (5)

我们在补充图S1(e)中加入了新的数值结果，以可视化?50 dB功率注入比下的相位动力学，进一步证实每个脉冲对应2π相位下降。随着注入光功率降低，每个时间步的平均相位差从?0.0222（?40 dB功率注入比时）变为?0.0512（?50 dB时），如图S1(f)和S1(g)所示。幅度更大的负平均相位差加快了相位演化的完成2π下降过程，从而产生更高的脉冲速率。公式(2)表明相位恢复速率由注入功率Ainj、频率调谐量Δωinj以及受偏置电流影响的A(t)所控制，因此降低注入功率可加速相位恢复并相应提高脉冲速率。

4.2 光学脉冲编码装置

使用采样率设为12.0 GSa/s的AWG（KEYSIGHT M8190A）生成PAM8信号或展平的二维信号。光源即可调谐激光器（TL，TSP-400）可精细调节注入光的频率，其光功率为10 dBm。MZM（Sumicem T.MXH1.5）对光进行调制，随后送入FP激光器（eblanaphotonics EP-1550-0-FP）。可变光衰减器（VOA，JW8507A）可任意降低功率直至产生脉冲。PD（REALPHOTON RX-PD-10）检测光信号，采样率设为50.0 GSa/s的DSO（Tektronix MSO71254C）最终显示脉冲信号。

4.3 能耗

我们进一步估算了所提全光脉冲编码器的能耗。此处考虑的能耗包括FP激光器的注入光功率和输出光功率。每个脉冲的能耗定义为：

Espike = (Pinj + PFP) * Ts/n = (Pinj + PFP)/Spikerate, (6)

其中Pinj为注入功率，PFP为FP激光器输出功率。当FP激光器在14 mA偏置电流下工作时，其自由运行输出功率约为0 dBm，注入功率设为?32 dBm。在这些典型工作条件下，估算能耗低至0.5 pJ/脉冲。该值低于表1中总结的代表性电子和光学方案。需注意此估算仅考虑与激光器相关的光功率，未计入AWG和PD等辅助设备的功率开销，因为这些是共用的实验室仪器，并未针对本实验进行优化。

4.4 编码精度的鲁棒性分析

所报告的约5 bit编码精度是在最佳实验条件下获得的。在我们的实验中，偏置电流和频率调谐量是固定的；这两个参数的显著漂移会使系统偏离脉冲范围并抑制脉冲产生，这未在本鲁棒性评估中考虑。我们进一步研究了注入功率和Vpp对编码精度鲁棒性的影响，如补充图S9和S10所示。对于每个测试条件，上方面板显示归一化的幅度-脉冲速率曲线，并计算与理想线性响应的偏差以得到标准差σrms。有效比特精度使用bit = log?(1/σrms)计算，标准差越高表示精度越差。根据图S9，当注入功率超过或低于?30 dBm时，标准差上升、精度下降，而在?34 dBm至?29 dBm范围内精度保持在3 bit以上。如图S10所示，较大的Vpp会增加标准差并降低精度，但在0.2–1.0 V范围内精度仍保持在3 bit以上。这些观察证实了在实用工作参数范围内编码精度具有可接受的鲁棒性。

4.5 仿生SNN中的短期与长期记忆特性

短期记忆（STM）和长期记忆（LTM）行为通常在光子突触和光子忆阻器中得到展示。它们源于材料相关的动力学，如相变引起的电导调制，使突触权重存储在器件中[35]。这种突触状态保持特性并非我们全光脉冲编码器的目标功能。我们的编码器将模拟光幅度转换为光学脉冲序列，其脉冲产生行为由注入功率和频率调谐量决定。输出脉冲不表现出自发的时间衰减。突触记忆和权重更新功能在后端SNN中实现。得益于这一机制，我们的编码器在固定工作条件下可输出稳定的脉冲。

我们还注意到，长时增强（LTP）和长时抑制（LTD）代表了产生持久权重更新的内在突触可塑性机制，这些特征属于突触元件而非脉冲编码器。尽管我们的全光脉冲编码器不具备真正的突触LTP和LTD可塑性，但通过调节注入功率可以观察到类似行为。增加注入功率（类似增强）会降低脉冲率，并可能使系统脱离脉冲范围。降低注入功率（类似抑制）会削弱脉冲幅度，使脉冲无法可靠地与噪声区分，从而降低编码性能，如图4(e)所示。增强和抑制调整也在后续的数字SNN后端中实现。

4.6 SNN的训练与参数优化

SNN因其独特的算法而不同于当前主流的ANN。如果对SNN使用常规训练方法，可能会出现一种被称为死亡神经元问题的潜在风险。因此，采用替代梯度下降算法来更新突触权重[20]。我们选择交叉熵损失作为损失函数，并使用Adam优化器进行优化。MNIST数据集包含60,000张训练图像和10,000张测试图像。训练部分首先用于更新权重以完成网络，测试部分则通过转换函数编码为脉冲。膜电位衰减率β会影响SNN的分类能力，在我们的工作中β设置为0.95。此外，FashionMNIST数据集的处理与上述任务类似。由于该数据集中的图像更加复杂，我们方案的性能有所下降。整个网络在Pytorch中实现。

4.7 心电信号的处理

心电（ECG）信号是一种一维连续信号。我们的ECG数据集来自MIT-BIH心律失常数据库[55]。此处从10名患者中提取了500个正常病例和从7名患者中提取了500个异常病例组成我们的数据集。每个病例是ECG中的一个脉冲，包含51个采样点。脉冲信号首先归一化到(0,1)，然后在平均功率为-30 dBm时进行编码。SNN的输入是一个1×51的向量。此处80%的脉冲用于训练，20%用于测试。

4.8 声信号的处理

声信号的时间波形通常不作为深度学习的输入，因为这些信号本身包含丰富的信息。提取有用信息的常用方法是通过声信号的预处理提取时域和频域特征。对于心音，信号首先进行预加重以放大高频分量。此处我们使用滤波器H(z) = 1 ? 0.9z?1来抑制信号中的噪声。对于数据集中的所有信号，我们选择初始10秒的心音进行滤波。一个10秒的信号随后被分割成10个1秒的窗口帧，这些帧不重叠。通过离散傅里叶变换（DFT）将时域声信号转换为频域，以获得频率特征。10帧全部进行变换，得到1-1000 Hz的功率分布。因此，一个10秒的心音信号可以转换为一个1000×10像素的热力图。每个像素表示对应频率点在1秒内的功率分布（见图S6）。这样一个1000×10的特征矩阵可以作为神经网络的有效输入。

5 结论

在本工作中，我们提出并实验演示了一种基于光注入FP激光器神经元的全光仿生脉冲编码器，该编码器实现了可靠的幅度到速率编码，脉冲率超过2.0 GHz，线性编码精度约为5位。通过系统研究不同注入功率、频率失谐和偏置电流下的脉冲动力学，我们确定了稳定线性编码的最优工作范围，并建立了输入光强与输出脉冲率之间的单调映射。该编码器兼容标准的1550 nm光纤通信系统，并支持多种输入信号的转换。与数字SNN结合后，该系统在MNIST数据集上实现了超过94.1%的分类准确率，并在多种医疗诊断任务中展现出令人振奋的性能，展示了其在超快、低功耗神经形态计算和智能光学传感方面的实际应用潜力。如表1所示，电脉冲方案无法满足低延迟对高脉冲率的要求，而光脉冲方案未能建立输入幅度与脉冲率之间可控的线性关系。相比之下，我们的工作专注于高精度模拟编码，这对于处理具有连续幅度变化的实际传感信号至关重要。约5位的编码精度确保了输入强度的细微变化可以被忠实地映射为脉冲率的变化，为高精度SNN推理奠定了物理基础。与传统电脉冲编码相比，我们的方案在降低能耗的同时，实现了约三个数量级的脉冲率提升。对于多通道可扩展性，并行光通道可以进一步提高总吞吐量。从激光动力学角度来看，脉冲的产生和速率可调行为源于主激光器注入与从属FP激光器之间的非线性相互作用，由Kobayashi-Lang速率方程支配。载流子密度、光场振幅和激光器间相位差的时域演化共同决定了脉冲频率和波形稳定性。通过在适当范围内降低注入功率，调节激光器间的耦合强度，从而提高脉冲率。同时，适当的频率失谐和偏置电流可以扩大有效脉冲范围并提高线性度。这一物理理解不仅解释了观测到的幅度-速率编码行为，还为优化类似的光注入神经形态光子器件提供了通用指导。尽管当前系统集成了全光前端编码器与数字后端SNN，光电探测和数字处理模块引入了额外延迟，但速度瓶颈并不在光编码阶段。对于光脉冲编码器前端本身，其内在延迟可以达到纳秒级别。未来工作将专注于开发全光突触和神经元阵列，以实现全光子SNN处理，进一步提高系统速度和能效。总之，本工作提出了一种基于仿生FP激光器神经元的高速、高精度、光纤兼容的全光脉冲编码器。通过揭示底层激光动力学、实现线性幅度到速率编码、构建可扩展的多模态医疗和通信任务神经形态系统，本研究弥合了神经形态光子器件与实际光网络应用之间的差距。所提出的架构为下一代超快、低功耗、大规模光子神经形态计算提供了一条可行途径。

致谢

本工作得到了广东省基础与应用基础研究重大项目（2025B0303000008）、国家自然科学基金（Nos. 62235005和62525102）以及上海自然科学基金（24ZR1490500）的支持。

作者贡献

F.H.、Q.B.和J.Z.构思并监督了项目；F.H.、J.J.和Q.B.搭建了实验装置；F.H.、A.Y.和S.X.开发并实现了SNN算法；Q.B.、A.S.和B.D.开发了数字信号处理代码并准备了传输数据；Q.B.和F.H.设计了实验，收集并分析了实验数据；J.Z.、N.C.、J.S.和Z.L.提供了指导支持并修改了手稿；Q.B.撰写了手稿并听取了所有作者的意见。

利益冲突

作者声明不存在竞争性经济利益。