光驱动分子重取向用于大规模光子存内计算

《eLight》：Light-driven molecular reorientation for large-scale photonic in-memory computing

　　

光子学有潜力变革高速且高能效的人工智能（Artificial Intelligence，AI）。然而，大多数光子计算平台仍依赖昂贵的电光转换进行数据输入、权重加载与存储，导致大规模计算中存在显著开销。研究人员提出了一种基于液晶（Liquid Crystal，LC）使能的庞加莱球连接神经网络的大规模光子存内计算平台。通过磺酸偶氮染料与LC分子的光驱动重取向，引入了兆字节级非易失性光子存储，其同时充当可重构光学神经元。该架构独特地将光学感知、存储与计算原位集成，在各种可切换机器视觉任务中使数据移动开销最小。借助944万神经元的光子处理器阵列，展示了超高可扩展性，支持大规模并行光计算、记录与检索，存储容量比最先进光子存内计算高105倍。该工作为可扩展亚微米精度光子存储提供了新路径，从而确立物理神经网络与类脑AI的新范式。

研究背景方面，传统冯·诺依曼架构因存储与处理分离面临速度与时延瓶颈，新兴存内计算与感内计算试图在电子域缓解但该领域仍受数模转换与交叉线阻误差限制。光子计算凭借超低延迟与固有并行性成为替代方案，但现有片上与自由空间光计算平台多作为加速器，依赖昂贵电光转换完成数据输入、权重加载和存储，且缺乏非易失性光子存储，制约了大规模光子存内计算。为此，研究人员开展基于光重写液晶的非易失性光子存内计算研究，提出庞加莱球连接矢量衍射神经网络（Diffractive Neural Network，DNN），将光学感知、存储与计算原位融合，实现944万可重构矢量神经元并行处理，存储容量达151.04 Mbit，相较前沿方案提升10⁵倍，为物理神经网络与类脑智能提供新范式。该文发表于《eLight》。

关键技术方法上，研究人员建立基于琼斯矩阵（Jones Matrix）与瑞利-索末菲衍射的角谱法前向传播模型，以液晶面内取向角α为可训练参数，用梯度反向传播优化；利用磺酸偶氮染料SD1在偏振紫外/蓝光下光异构化诱导向列相5CB液晶非易失重取向，实现单次曝光写入庞加莱球轨迹；构建蓝/红双波长共享4f系统，蓝光擦写、红光计算，无需移动器件；以MNIST、Fashion-MNIST、E-MNIST及洋葱表皮与花椰菜植物细胞显微样本为测试队列，结合偏振相机与斯托克斯（Stokes）参数复原输出偏振。

研究结果部分，2.1节“基于LC矢量DNN的光子存内计算”阐明液晶作为各向异性介质可将入射偏振在庞加莱球上沿圆弧转换，光驱动重取向改变旋转轴从而获得非易失轨迹记忆。2.2节“通过庞加莱球连接DNN的原位光计算”训练网络将手写数字1—4编码至庞加莱球四点，200张盲测分类准确率94.5%。2.3节“庞加莱球可重构DNN的原位光子存储”用蓝光单次重写α₁至α₅五组结构，α₁与α₂集成推理升至96.5%。2.4节“庞加莱球感知DNN的原位偏振物体传感”以α₃实现三偏振通道复用分类（字母、服饰、数字精度88%、92.5%、93%），以及偏振特征感知（600样本精度91.2%），并以螺旋相位LC卷积层联合衍射层直接区分洋葱与花椰菜细胞。2.5节“大规模光子存内计算”用12×12阵列（944万神经元）并行576通道极化编码，另一LC片记录计算结果，读出呈S形非线性，支持光速检索与全光循环。

讨论与结论部分指出，该平台兼容自由空间互连，双层LC含151.04 Mbit存储，单次约2.72×10⁹次实值乘加，按10 MHz探测器估算有效算力5.44×10¹⁶ FLOPS；静态功耗近零、透射率92.5%（插损0.34 dB）；擦写速率随写光功率可从60 s降至100 ms甚至3 ns。相比空间光调制器（Spatial Light Modulator，SLM）与可调超表面，其非易失特性适配不需频繁外存的场景。研究人员结论为：基于光驱动LC重取向的大规模光子存内计算平台，以互联庞加莱球阵列实现偏振编码、复用与感知，非易失光子存储赋予功能切换、可检索光记录与可扩展并行计算，确立了光学神经网络中原位感知-存储-计算集成的新范式，为智能光子学与类脑AI开辟路径。