薄膜铌酸锂光集成光参量振荡器实现10 GHz高速全光储备池计算

《SCIENCE ADVANCES》：High-speed reservoir computing using photonic integrated circuit optical parametric oscillators

　　

过去十年，深度学习在计算机视觉、自然语言处理与预测分析等领域带来突破性进展。随着深度学习算法广泛部署，亟需能够实时、高速、低延迟处理数据的硬件方案。片上光子神经网络利用光的高带宽与低传播损耗来执行模拟深度学习计算，但纳米光子电路尚未在All-optical（全光）和Ultrafast（超快）条件下同时实现所需线性与非线性操作。研究人员报道了一种基于光集成电路（Photonic Integrated Circuit，PIC）的光学参量振荡器（Optical Parametric Oscillator，OPO）高速储备池计算机系统，器件制备于薄膜铌酸锂（Thin-Film Lithium Niobate，TFLN）上。研究人员将PIC基OPO计算系统用于混沌时间序列预测、噪声通信信道中的非线性误差校正与噪声波形分类等基准任务，在所有任务中以约10 GHz工作时钟率取得超过93%的准确率。该OPO网络在端到端全光实现时可实现亚纳秒延迟，时间短于先进数字电子处理器单个时钟周期。通过规避光-电-光（Optical-Electronic-Optical，OEO）转换，该高速PIC基储备池系统为下一代紧凑、节能、超低延迟全光神经网络铺平道路。

论文《High-speed reservoir computing using photonic integrated circuit optical parametric oscillators》发表在《SCIENCE ADVANCES》。研究背景方面，深度学习模型计算需求增长远超数字电子处理器进步速度，实时超低延迟场景对硬件提出严峻挑战。光子神经网络（Photonic Neural Networks，PNN）借助光的高带宽与低损耗具备超快、高能效潜力，但基于马赫-曾德尔干涉仪或微环谐振器阵列的现有集成PNN多用光电元件提供非线性激活，难以在纳米光子电路中同时以全光、超快方式实现线性乘加与非线性激活。因此，研究人员开展基于TFLN集成OPO的储备池计算研究，用相干光脉冲传播与超快参量非线性过程在光域完成线性与非线性操作，规避连续OEO转换。结论是该方案在约10 GHz时钟下完成三类时序任务且准确率均超93%，端到端全光时延迟低于1 ns，对实现集成全光神经网络具重要意义。

关键技术方法上，研究人员采用x-cut TFLN制备含周期极化铌酸锂（Periodically Poled Lithium Niobate，PPLN）色散工程腔的PIC-OPO；用电光（Electro-Optic，EO）频率梳产生约2 ps、重复率约10 GHz的1045 nm泵浦脉冲，由任意波形发生器（Arbitrary Waveform Generator，AWG）经EO调制器加载掩码序列形成输入层；利用腔反馈与PPLN中泵浦-信号脉冲重叠实现光域递归储备池，输出层由2090 nm信号脉冲强度加权得到；训练在硅基仿真中通过奇异值分解求输出权重W_out，无需反向传播。

研究结果如下。Low-latency time-domain signal processing using OPONN：研究人员用OPONN处理时域信号，配置N_in=3、N_out=10，对Lorenz63混沌序列预测，实验测得目标与预测信号吻合，归一化均方误差为0.07±0.017；对Mackey-Glass系统（MGS）混沌序列预测，归一化均方误差为0.06±0.017，说明OPONN可凭过去历史预报混沌下一步。

Nonlinear channel equalization：针对四电平脉冲幅度调制（PAM4）无线信道的多径衰落、功放非线性与噪声，设N_in=3、N_out=21。直接检测符号错误率（Symbol Error Rate，SER）为19±1.6%；OPONN均衡后SER为7±2.3%；纯线性均衡为11±1.8%。结果表明OPO的超快光子非线性可有效补偿非线性失真，即便OPO输出信噪比低于泵浦输入仍优于线性处理。

Noisy waveform classification：对含噪正弦、方波、锯齿波三类波形，每波50采样点构成两个周期，N_in=5，输出采3点得K=3，全连接输出N_out=3并采用胜者通吃。300训练加300测试下准确率达100%，证明该简单架构在显著噪声下仍可分类。

讨论部分总结：研究人员指出该PIC-OPO储备池在10 GHz时钟运行，端到端全光可实现亚纳秒延迟；10 GHz受当前电子源限制，而集成OPO可用飞秒脉冲，借时域交织可再提升时钟率。该工作以单节点串行处理展示混沌预测、信道均衡与波形分类，准确率均超93%；未来可借时分复用或耦合谐振器扩展并行通道，并用集成EO调制与EO梳发生进一步缩小体积，是走向全光集成神经网络的重要一步。

研究结论部分翻译：研究人员展示一种基于PIC-OPO、以10 GHz时钟运行的高速光子储备池计算机。该方法利用TFLN中相干光脉冲传播与超快参量非线性过程，在光域完成储备池计算所需线性与非线性操作。系统在约10 GHz时钟下可端到端全光亚纳秒延迟，该尺度可与先进数字电子处理器单时钟周期相比；约10 GHz仅受当前架构电子部件限制，因集成OPO可用飞秒脉冲，全光方案下借超短脉冲时域交织可获高得多时钟率。研究人员在混沌时间序列预测、非线性信道均衡与噪声波形分类任务中均获超93%成功率，其中波形分类100%准确率。通过消除连续慢速OEO转换，OPONN是迈向前所未有的高速集成全光神经网络的关键跃迁；该单节点串行架构有望经时分复用或耦合谐振器泛化至多并行信道，并可通过TFLN上集成EO调制器与EO梳发生器大幅缩减占用面积。