【光电器件】郭光灿团队在集成光学芯片上实现高效光子频率转换 ，戴琼海团队提出光电可重构计算模式
发布日期：2021-04-19
来源：光电产业网
作者：苏州市光电产业商会
阅读：892 次
中国科学技术大学郭光灿院士团队邹长铃研究组在集成光子芯片上实现了基于微腔简并模式的高效光子频率转换，并进一步探究了微腔内的级联非线性光学效应，实现跨波段的频率转换和放大。相关成果以“Efficient frequency conversion in a degenerateχ(2) microresonator”为题3月29日在线发表于国际学术期刊《物理评论快报》上。实验中实现的1560nm到780nm波长的光子数转换效率最高可达42%，频率带宽可达250GHz，可以满足后续通讯波段光子与Rb原子互联的需求。研究组进一步从理论出发，考虑了微腔内的Kerr效应以及级联二阶非线性光学效应，发现模式简并频率转换的信号还有可能获得一定的增益，这在之前的光学相干频率转换的研究中被忽略了。他们实验上验证了这一重要的物理现象，并预言可以通过对芯片的工艺参数的进一步调控实现效率超过100%的频率转换，同时实现信号的转换和放大。近日，Nature子刊《Nature Photonics》刊登了题为“Large-scale neuromorphic optoelectronic computing with a reconfigurable diffractive processing unit”文章，论文由中国工程院院士戴琼海教授团队撰写，第一作者是清华大学博士研究生周天贶。该工作的主要研究内容是：提出了一种光电可重构计算模式，通过构造一个衍射处理器(DPU)，它可以有效地支持不同的神经网络，并实现数百万个神经元的高模型复杂度。在论文中，作者展示了如何对DPU的重新配置，从而实现各种衍射前馈和循环神经网络，并设计了一种新型的自适应训练方法，能够规避系统缺陷。作者将训练后的神经网络进行测试，测试结果是：在手写数字图像和人类动作视频分类基准数据集上，其精度与电子计算方法相当。作者提出了一种用于大规模神经形态光电计算的可重构DPU，可以通过编程改变功能，从而构建不同类型的人工神经网络架构。此外，还配备了极高数据吞吐量的光学调制器和光电探测器。在用光电器件实际实现所设计的模型的过程中，为了解决不同误差源(如对准误差和非理想器件特性)造成的模型偏差，作者开发了一种自适应训练方法。作者通过构建一个三层光电衍射深度神经网络(D2NN)来验证所提出的自适应训练方法，并用MNIST数据集进行测试。总之，可重构的光电计算处理器DPU通过有效地设计光电计算系统来融合光学和电子的互补优势。戴海琼团队预计，其所提出的方法将加速开发更强大的光学AI处理器，并作为现代计算的关键支持，迈向人工智能的新时代。
