校友|光子芯片：一场发生在MIT校友之间的竞赛校友|mit|之间|竞赛|芯片|光子

文章插图
在科技圈，有一个大多数人都很熟悉的定律，那就是“摩尔定律”，它指出计算机芯片上的晶体管数量每隔18个月左右就会增加一倍。这种算力上的指数级增长很好地解释了为什么你我手中的手机和电脑等设备会隔不久就更新换代。
可如今，“摩尔定律”已死的声音不绝于耳，加之人工智能对计算能力提出了差异化的要求。所以，近年来，电气工程师和计算机科学家一直在努力想办法实现更快、更有效地计算，包括GPU、ASIC和FPGA等方案也越来越火爆。

文章插图
不过，在解决算力困境的竞赛中，传统的“电子”选手也迎来了新的对手——“光子计算”（Optical computing）。这是一个完全不同的计算范式，由于光子计算则提出使用光子来进行计算（光子是光的基本粒子），再结合光纤传输之后，我们可以实现更高效的计算和容量更大、距离更长的数据传输。
更有意思的是，目前发力光子计算芯片的两家公司Lightmatter和曦智科技（Lightelligence）都源于麻省理工学院（MIT），两位创始人Nicholas Harris和沈亦晨也恰好是曾经的校友。如此一来，这场发生在同学之间的比拼为光子计算技术的发展又增添了几分戏剧色彩。
一切源于MIT
光子计算是指使用激光或二极管产生的光子进行计算。事实上，光子计算有着悠久的历史。早在20世纪50年代末，它就被用来处理一些第一批合成孔径雷达（SAR）图像，而当时的数字计算机甚至还不能进行必要的数学计算。
几十年来，研究人员不时重提用光来计算的想法。早期，大多数研究项目的重点是用光子设备取代对应的计算机部件，从而形成一个处理二进制数据的光子数字计算机系统。
这种方法似乎为商业化的光子计算提供了最佳的出路，然而，光电子器件在将电子能转换为光子并返回的过程中会损失30%的能量。同时，这种转换也会减慢信息的传输速度。
后来，光子集成电路（PIC）的概念又被提出，这是一种集成了多种（至少两种）光子功能的器件，因此类似于电子集成电路。两者之间的主要区别在于，光子集成电路提供的功能是施加在通常在可见光谱或近红外850nm-1650nm的光波长上的信息信号。

文章插图
近年来，基于人工神经网络的“深度学习”系统模仿大脑从实例积累中学习的方式已经成为计算机科学的热门话题。但这些系统所进行的计算非常复杂，要求很高，即使是最强大的计算机也应对吃力。
在此背景下，麻省理工学院的一个研究小组尝试将“光子计算”与“人工智能”结合起来，利用这种已发展多年但又仍处前沿的技术提高深度学习计算的速度和效率。
2017年6月12日，他们的成果发表在《自然光子学》（Nature Photonics）杂志上，标题为“Deep learning with coherent nanophotonic circuits”（利用相干纳米光子电路进行深度学习）。论文作者恰好就包括前文提到的麻省理工学院博士后沈亦晨、博士Nicholas Harris以及教授Marin Solja?i?和Dirk Englund等人。
Solja?i?说，“当涉及到某些重要的神经网络任务所需的各种计算时，传统的计算机架构并不是很高效。这类任务通常涉及矩阵的重复乘法，在传统的CPU或GPU芯片中，这可能是非常密集的计算。”
但麻省理工学院的团队想出了一种以光子方式代替执行这些操作的方法。“这种芯片，一旦你对它进行调整，就可以在原则上以零能量进行矩阵乘法，几乎是瞬间完成。”Solja?i?说。
Solja?i?指出，新方法使用了多束光线，它们的波相互作用，产生干涉图案，传达预期操作的结果。研究人员称这种设备为可编程纳米光子处理器（Programmable Nanophotonic Processor）。
这种新型的可编程纳米光子处理器是由Harris和他的合作者共同开发，它使用一个波导阵列，这些波导以一种可以根据需要修改的方式相互连接，为特定的计算编写一组波束。“你可以在任何矩阵操作中编程，”Harris说。
沈亦晨表示，使用这种架构的光子芯片原则上可以以典型的人工智能算法执行计算，速度要快得多，并且每次操作使用的能量不到传统电子芯片的千分之一。他说：“使用光子来进行矩阵乘法的天然优势在提速和省电方面起到了很大的作用，因为密集矩阵乘法是人工智能算法中最耗电和耗时的部分。”