光学神经网络（Optical Neural Networks，ONNs）是一种利用光学元器件（如波导、调制器、探测器等）实现人工神经网络功能的计算系统。它通过利用光信号的传播特性来实现信息处理和计算功能，具有低延迟、低能耗、大带宽以及抗电磁干扰强等优势。
清华大学陈宏伟团队联合国防科技大学团队，以“Optical neural networks: progress and challenges”为题在Light：Science Applications上发表光学神经网络综述，对近几年来光学神经网络的相关研究工作进行了梳理。
图1 光学神经网络相关研究工作时间轴线
该综述宏观地阐述了ONNs的发展历史，直观地展示了ONNs的发展历程（如图1所示），并提出非集成ONNs和集成ONNs两种分类形式，进一步基于自由空间和片上集成中的不同光学元器件（如图2所示）将ONNs细分为7种类型，并对基于不同光学元器件构建的ONNs的设计原理进行了介绍。
图2 用于实现光学神经网络功能的不同光学元件及系统
非集成ONNs主要以体积较大的光学元器件来构建系统，包括基于透镜组的4f系统、空间光调制器（SLM）、数字微镜系统（DMD）、衍射超表面、偏振器、光放大器以及滤波器等光学元器件。集成ONNs则主要是基于片上马赫-曾德尔干涉仪（MZI）、微环谐振器（MRR）、调制器（PM/AM）、衰减器以及亚波长衍射器件等光学元器件来构建系统。现阶段，为了能够较好地解决可重构、非线性以及系统能耗的问题，非集成/集成ONNs中均有工作尝试引入相变材料、饱和吸收体等新型材料来进一步提升ONNs的推理及计算性能。该综述对基于每一类不同光学元器件构建的ONNs的典型研究工作进行了详细介绍和评述。另外，文中对不同类型ONNs的集成度、可重构性、非线性、可拓展性、稳定性、通用性等性能指标进行了对比分析，同时对计算容量和计算密度等定义进行了阐述和说明。
现阶段ONNs在现实场景中的应用尚未成熟，在执行一些简单任务时也离不开电子硬件系统的辅助。根据该综述对ONNs相关研究工作的总结和分析，不难发现ONNs主要在存储、非线性以及大规模可重构等方面仍然存在技术瓶颈。因此，短期内如果希望将ONNs推向真正的应用场景中，光电混合ONNs系统也许是一种潜在可行的方案。光电混合ONNs系统（如图3所示）结合了光学和电子计算的优势，它旨在利用当前ONNs的算力优势完成大部分算力任务，再搭配电子辅助电路进行ONNs的参数重构、非线性运算、数据存储及流控等，在实现更高算力、更低功耗的同时，也可保持其灵活性和可编程性。值得注意的是，光/电、电/光转化效率（能耗和速率）的优化未来也将成为提升光电混合ONNs系统性能的关键。
图3 光电混合ONNs系统架构
现阶段ONNs发展时间尚短，仍然存在关键技术难题有待解决，因此要实现在各个领域的实际应用还需要一定的时间。尽管如此， ONNs已经在部分专用领域的应用场景中展开了尝试。如：普林斯顿大学研究团队将片上集成ONNs应用于海底光纤链路的非线性补偿；剑桥大学研究团队基于光子深度学习开发了边缘计算架构；Lightmatter公司发布了Envise和Passge产品；Lightelligence公司发布了光子计算引擎（PACE）等。未来，通过对全光ONNs系统或混合ONNs系统架构的不断优化，有望推动全光ONNs或光电混合ONNs系统在更为广泛的实际场景中得到应用和发展。
清华大学电子系陈宏伟教授为综述文章的通讯作者，电子系博士毕业生符庭钊（现任职国防科技大学副研究员）为综述文章的第一作者。该工作得到了国家自然科学基金项目的支持。
论文链接：
https://doi.org/10.1038/s41377-024-01590-3
光学神经网络（Optical Neural Networks，ONNs）是一种利用光学元器件（如波导、调制器、探测器等）实现人工神经网络功能的计算系统。它通过利用光信号的传播特性来实现信息处理和计算功能，具有低延迟、低能耗、大带宽以及抗电磁干扰强等优势。
清华大学陈宏伟团队联合国防科技大学团队，以“Optical neural networks: progress and challenges”为题在Light：Science Applications上发表光学神经网络综述，对近几年来光学神经网络的相关研究工作进行了梳理。
图1 光学神经网络相关研究工作时间轴线
该综述宏观地阐述了ONNs的发展历史，直观地展示了ONNs的发展历程（如图1所示），并提出非集成ONNs和集成ONNs两种分类形式，进一步基于自由空间和片上集成中的不同光学元器件（如图2所示）将ONNs细分为7种类型，并对基于不同光学元器件构建的ONNs的设计原理进行了介绍。
图2 用于实现光学神经网络功能的不同光学元件及系统
非集成ONNs主要以体积较大的光学元器件来构建系统，包括基于透镜组的4f系统、空间光调制器（SLM）、数字微镜系统（DMD）、衍射超表面、偏振器、光放大器以及滤波器等光学元器件。集成ONNs则主要是基于片上马赫-曾德尔干涉仪（MZI）、微环谐振器（MRR）、调制器（PM/AM）、衰减器以及亚波长衍射器件等光学元器件来构建系统。现阶段，为了能够较好地解决可重构、非线性以及系统能耗的问题，非集成/集成ONNs中均有工作尝试引入相变材料、饱和吸收体等新型材料来进一步提升ONNs的推理及计算性能。该综述对基于每一类不同光学元器件构建的ONNs的典型研究工作进行了详细介绍和评述。另外，文中对不同类型ONNs的集成度、可重构性、非线性、可拓展性、稳定性、通用性等性能指标进行了对比分析，同时对计算容量和计算密度等定义进行了阐述和说明。
现阶段ONNs在现实场景中的应用尚未成熟，在执行一些简单任务时也离不开电子硬件系统的辅助。根据该综述对ONNs相关研究工作的总结和分析，不难发现ONNs主要在存储、非线性以及大规模可重构等方面仍然存在技术瓶颈。因此，短期内如果希望将ONNs推向真正的应用场景中，光电混合ONNs系统也许是一种潜在可行的方案。光电混合ONNs系统（如图3所示）结合了光学和电子计算的优势，它旨在利用当前ONNs的算力优势完成大部分算力任务，再搭配电子辅助电路进行ONNs的参数重构、非线性运算、数据存储及流控等，在实现更高算力、更低功耗的同时，也可保持其灵活性和可编程性。值得注意的是，光/电、电/光转化效率（能耗和速率）的优化未来也将成为提升光电混合ONNs系统性能的关键。
图3 光电混合ONNs系统架构
现阶段ONNs发展时间尚短，仍然存在关键技术难题有待解决，因此要实现在各个领域的实际应用还需要一定的时间。尽管如此， ONNs已经在部分专用领域的应用场景中展开了尝试。如：普林斯顿大学研究团队将片上集成ONNs应用于海底光纤链路的非线性补偿；剑桥大学研究团队基于光子深度学习开发了边缘计算架构；Lightmatter公司发布了Envise和Passge产品；Lightelligence公司发布了光子计算引擎（PACE）等。未来，通过对全光ONNs系统或混合ONNs系统架构的不断优化，有望推动全光ONNs或光电混合ONNs系统在更为广泛的实际场景中得到应用和发展。
清华大学电子系陈宏伟教授为综述文章的通讯作者，电子系博士毕业生符庭钊（现任职国防科技大学副研究员）为综述文章的第一作者。该工作得到了国家自然科学基金项目的支持。
论文链接：
https://doi.org/10.1038/s41377-024-01590-3
