科研人员研制出超高集成度光学卷积处理器

卷积神经网络是一种受生物视觉神经系统启发而发展起来的人工神经网络。它由多层卷积层、池化层和全连接层组成。作为卷积神经网络的核心组成部分，卷积层通过对输入数据进行局部感知和权值共享，提取出不同层次和抽象程度的特征。在一个完整的卷积神经网络中，卷积运算的运算量通常占整个网络运算量的80%以上。虽然卷积神经网络在图像识别等领域取得了成功，但也面临挑战。传统的卷积神经网络主要基于冯·诺依曼架构的电学硬件实现，存储单元和处理单元是分立的，导致数据交换速度和能耗之间的固有矛盾。随着数据量和网络复杂度的增加，电子计算方案越来越难以满足海量数据实时处理对高速、低能耗的计算硬件的需求。

图1.光学卷积处理单元

光计算是一种利用光波作为载体进行信息处理的技术，具有大带宽、低延时、低功耗等优点，提供了一种“传输即计算，结构即功能”的计算架构，有望避免冯·诺依曼计算范式中存在的数据潮汐传输问题。光计算近年来备受关注，但在大部分已报道的光计算方案中，光学元件的数量随着计算矩阵的规模呈二次增长趋势，这使得光计算芯片规模扩展面临挑战。

图2.使用光学卷积处理单元进行图像特征提取的结果。（a）输入的五个手写数字的图片；（b）使用计算机进行特征提取的结果；（c）使用提出的光学卷积处理单元进行特征的结果。

光计算是一种利用光波作为载体进行信息处理的技术，具有大带宽、低延时、低功耗等优点，提供了一种“传输即计算，结构即功能”的计算架构，有望避免冯·诺依曼计算范式中存在的数据潮汐传输问题。光计算近年来备受关注，但在大部分已报道的光计算方案中，光学元件的数量随着计算矩阵的规模呈二次增长趋势，这使得光计算芯片规模扩展面临挑战。

来源：中国科学院半导体研究所