用于光学神经计算的量子非线性

《Nature Communications》：Quantum nonlinearity for optical neural computing

　　

摘要

深度神经网络的快速扩展是以不可持续的功耗为代价的。虽然光神经网络提供了一种替代方案，但其能力仍受到缺乏高效光学非线性的限制。为了解决这个问题，我们提出了一种光神经计算架构，即将量子发射体嵌入逆向设计的纳米光子结构中。由于具有饱和性，与传统材料相比，量子发射体表现出异常强的非线性。利用物理感知训练，我们数值演示了该架构能够在全光神经网络中解决复杂任务，包括非线性分类和强化学习。为了在不同平台之间实现公平比较，我们引入了一种将非线性与网络的表达能力定量联系起来的框架。分析表明，我们的量子激活在 nW/μm² 强度下运行，比传统光学材料的非线性阈值低七个数量级。着眼于大语言模型，我们估算了受非线性限制的光功率，该功率随模型规模亚线性缩放。我们的结果表明，量子纳米光子学可能提供一条通往可持续 AI 推理的道路。