佛罗里达大学领导的一个研究团队，与加州大学洛杉矶分校和乔治华盛顿大学合作，开发了一种原型光子AI芯片，该芯片利用光进行卷积操作，与电子等效芯片相比，能耗降低了多达两个数量级。这一创新的核心是一种完全集成的基于菲涅耳透镜的架构散户配资网站，在芯片上执行二维空间卷积，且全部在模拟光学域中进行。
封装的光子联合变换相关器，包括硅光子芯片、定制印刷电路板和八通道光纤阵列。
该芯片是同类产品中的首款，通过被动衍射光学器件执行空间卷积，并单片制造在硅光子基板上。该原型为深度学习中最耗费资源的操作之一——卷积神经网络（CNN）中的乘累加（MAC）操作——实现了近零能耗计算。
测试结果和性能指标
研究人员使用一个训练用于分类MNIST数据集手写数字的CNN对芯片进行了测试，这是机器学习中的标准基准。该光子卷积模块被集成到网络的第一层，对输入图像应用学习到的内核。网络的其余部分采用数字实现，模拟混合推理流程。
研究报告显示，该芯片达到了98.1%的分类准确率，与纯电子推理流程几乎没有区别。但在能效方面，差异巨大。与传统的数字卷积引擎（基于CPU、GPU或FPGA）相比，该光子芯片将每次推理的能耗降低了100倍，预计操作能耗低至皮焦耳级。
光子联合变换相关器的示意图，包括硅光子芯片和芯片外控制器。
重要的是，该架构与波长无关，并支持波分复用（WDM）。通过为不同数据通道使用不同波长，可以在同一物理结构中并行运行多个卷积操作，从而在不增加占地面积或热负载的情况下扩展计算吞吐量。
对边缘AI的影响
这种光学CNN加速器解决了功率密度问题，这是部署边缘AI的最大瓶颈之一。随着CNN的深度和复杂性增加，卷积操作主导了计算预算。在紧凑的边缘设备（如传感器、无人机、可穿戴设备或植入式设备）中运行AI推理，不仅需要高效性，还需要热静默和占地最小化。
所制造的SiPh芯片的光学显微镜图像。
通过这种基于透镜的方法，计算是被动的、无风扇的且本质上并行的。它避开了电子加速器常见的内存带宽、数据移动瓶颈和热节流等问题。由于光的模拟特性允许连续值内核应用，因此也避免了量化或剪枝的妥协。
此外，由于该芯片采用标准光刻技术制造，因此可以与现有硅光子平台单片集成，或与CMOS后端配对。这使其比以往的自由空间光学或光纤耦合设计更实用，后者需要笨重的设置，不适合商业集成。
一种新的混合计算模型
该芯片并非完整的神经处理器，它仅处理卷积步骤。但通过将最耗能的前端计算卸载到光学领域，并将决策逻辑或全连接层留给传统硅电路，它定义了一种新的混合计算模型。未来的系统可能在同一基板上共同集成用于CNN的光子加速器、用于逻辑的数字控制器以及用于数据存储的内存阵列。
随着AI硬件竞赛的加速，此类创新指向了一个未来，在那里计算不再局限于电子和晶体管，而是扩展到光子、干涉以及光的根本属性。
该原型由美国海军研究办公室资助开发，并作为同行评议的硅兼容被动芯片上卷积演示散户配资网站，在《先进光子学》杂志上发表。
启泰网提示：文章来自网络，不代表本站观点。
散户配资网站 这才是老祖宗的顶级审美！中华霓裳，一览经典传统服饰-7.GAME_中国_黄清穗_历史
