清华光电融合芯片算力是GPU的3000多倍？媒体搞出的大新闻(4)

小大

用微信扫描二维码
分享至好友和朋友圈

关键词：

2024-12-02 14:18:14 风云之声

500

近来非常流行的神经网络深度学习，最常用的基础运算是卷积。而透镜衍射的傅立叶变换就可以模拟卷积运算，因此用光学元器件模拟深度神经网络是可行的，这就是光学神经网络（Optical Neural Network, ONN）。图为一个手写数字识别ONN，一个空间光调制器（SLM，Spatial Light Modulator）就相当于深度神经网络中的一层。有一个实体的掩码板（weight mask），等于是权重系数，放在光路中作为系数调制卷积过程。L7作逆的傅立叶变换，把光线聚焦到CCD中的某个区域。运行起来效果是，输入端光线代表的数字，经过透镜与掩码组，最后总能神奇地聚焦到CCD的对应区域。这个过程的数学解释，就是深度神经网络。

光计算有低能耗的特性，但是因为计算机系统没法解读光信号，实际应用时还需要光电转换以及最终输出处理环节。

500

传统的光计算应用过程，摘自ACCEL论文

图为传统的图像识别光计算应用过程，小车的图像是光信号输入，经过MZI光计算、D2NN（就是一种ONN，衍射深度神经网络）处理，形成了特征明显的光信号。但这些光信号要经过很多photodiode（光电二极管）转成电信号（基于光电效应），再从电信号经ADC（模数转换）变成数字信号进入计算机内存，还要跑一个小型数字神经网络全连接层（在光信号那里做不方便），最终形成识别结果，认出是小汽车。

这个传统光计算应用架构缺点很大。说是光子零能耗，但是大规模的光电转换、ADC转换非常耗能。光线在众多级联MZI、透镜掩码组里传播、干涉、衍射，这个过程并不是很靠谱，也就是“非线性”，元器件一多就不灵了。而且也不抗干扰，光线稍有点环境扰动结果就不对。相比之下，基于电子的芯片就很靠谱，信号在上百亿个晶体管之间传送都不会错。所以传统的光计算多年来都只能“展示潜力”，如果是关心前沿技术进展的朋友，会经常在文章中看到它，但从来不见它大规模应用。这就是因为它应用不方便，从光信号到数字信号过程生硬，光电融合得不好。

了解了这些背景，才能明白清华团队ACCEL的进步。它巧妙地融合了光子与电子各自的特性优势，所以叫光电融合芯片。ACCEL的全称是All-analog Chip Combining Electronic and Light computing，全模拟电光计算融合芯片，这里的重点除了光电融合，就是All-analog，全程模拟信号，省去了耗能的ADC环节。

500

ACCEL的架构

首页上一页 1 2 345 全文共 5 页下一页

关闭

清华光电融合芯片算力是GPU的3000多倍？媒体搞出的大新闻(4)

相关新闻

今日热点

频道热点