DOI: https://doi.org/10.1038/s41467-025-62635-8
PMID: https://pubmed.ncbi.nlm.nih.gov/40890103
تاريخ النشر: 2025-09-01
المؤلف: Yaowen Hu وآخرون
الموضوع الرئيسي: الشبكات العصبية وحوسبة الخزانات
نظرة عامة
تتطلب الزيادة في الطلب على تطبيقات الذكاء الاصطناعي تطوير طرق حسابية قابلة للتوسع، عالية السرعة، وفعالة من حيث الطاقة. يقدم الحوسبة الضوئية حلاً قابلاً للتطبيق بسبب التوازي الفطري، وعرض النطاق الترددي العالي، والكمون المنخفض للفوتونات. ومع ذلك، تواجه الهياكل الضوئية الحالية قيودًا أساسًا بسبب قيود الطاقة والسرعة في تحويل الكهروضوئي أثناء نقل البيانات من الإلكترونية إلى الضوئية.
في هذه الدراسة، نقدم دائرة حوسبة من الليثيوم نيبوت (TFLN) رقيقة الفيلم تقلل بفعالية من هذه التحديات من خلال استخدام تعديل كهروضوئي فعال جنبًا إلى جنب مع قابلية التوسع المكاني للضوء الضوئي TFLN. تحقق دائرتنا أداءً يبلغ 43.8 مليار عملية في الثانية (GOPS) لكل قناة مع استهلاك طاقة يبلغ فقط 0.0576 بيكو جول لكل عملية (pJ/OP). نحن نوضح قدرتها من خلال مهام استدلال متنوعة، بما في ذلك تصنيف البيانات الثنائية والتعرف على الصور المعقدة، محققين دقة عالية. علاوة على ذلك، نقدم دائرة TFLN متقدمة مدمجة مع ليزر تغذية مرتدة هجين وكاشف ضوئي معدّل، مما يشير إلى أن منصة TFLN الضوئية لديها إمكانات كبيرة لتعزيز الفوتونيات السيليكونية والبصريات الانكسارية في الحوسبة الضوئية، مع تطبيقات تمتد إلى معالجة الإشارات فائقة السرعة والتحديد.
طرق
تتركز الطرق المستخدمة في هذه الدراسة على استخدام دائرة من الليثيوم نيبوت (TFLN) رقيقة الفيلم للحوسبة الضوئية، تحديدًا لضرب المصفوفات والمتجهات. يتضمن الإعداد التجريبي ضوء الموجة المستمرة من نطاق C للاتصالات، والذي يتم اقترانه في شريحة TFLN. يمر الضوء أولاً عبر معدل سعة (AM) يقوم بتشفير متجه البيانات \( \mathbf{x} \) على سعة الضوء. يتم بعد ذلك تقسيم هذه الإشارة المعدلة إلى قنوات مكانية متعددة، تحتوي كل منها على AM إضافية تطبق متجه الوزن \( \mathbf{\tilde{a}} \) بطريقة متزامنة زمنياً. يتوافق تشفير السعة الناتج مع حاصل الضرب \( \mathbf{x} \cdot \mathbf{\tilde{a}} \)، والذي يتم تحويله مرة أخرى إلى المجال الكهربائي عبر الكشف الضوئي، مما يسمح برقمنة المكونات باستخدام مقياس الذبذبات.
لتسهيل عمليات الضرب النقطي بين المتجهات الموقعة، يعتمد المؤلفون طريقة تحول هذه العمليات إلى تلك التي تتضمن متجهات غير موقعة، مما يتطلب إجراء حسابين إضافيين بواسطة المسرع الضوئي. على الرغم من أنه يمكن القضاء على هذه الزيادة في الحمل في التكرارات المستقبلية، إلا أنها قد تقدم تعقيدًا متزايدًا. يتم توليد الإشارات الإلكترونية لـ \( \mathbf{x} \) و \( \mathbf{\tilde{a}} \) بواسطة مولد موجات عشوائية عالي السرعة (AWG) ويتم نقلها إلى شريحة TFLN عبر كابلات عالية السرعة. يتم تحقيق تزامن المحركات الكهربائية من خلال ضبط التأخير بينها، مع إمكانية التعدد المكاني الكامل من خلال استخدام محولات رقمية إلى تناظرية (DACs) متزامنة متعددة.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي أجريت. يسلط الضوء على النتائج المهمة التي ظهرت من البيانات، بما في ذلك أي تحليلات إحصائية تم إجراؤها للتحقق من الفرضيات. عادةً ما يتم توضيح النتائج من خلال الجداول، الرسوم البيانية، أو الأشكال، التي توفر تمثيلًا بصريًا لاتجاهات البيانات والعلاقات الملاحظة.
بالإضافة إلى ذلك، قد يناقش القسم تداعيات هذه النتائج فيما يتعلق بأسئلة البحث المطروحة في المقدمة. من الضروري ملاحظة أي نتائج غير متوقعة أو شذوذ قد تؤثر على تفسير البيانات. بشكل عام، يعمل هذا القسم كأساس للنقاش اللاحق، حيث سيتم استكشاف تداعيات النتائج بمزيد من العمق.
نقاش
يستعرض قسم النقاش في ورقة البحث تطوير وأداء مسرع الحوسبة الضوئية القائم على الليثيوم نيبوت (TFLN). تستخدم البنية معملين عاليي الأداء من TFLN لتشفير ومعالجة البيانات من خلال تعديل كهروضوئي (EO)، مما يمكّن من ضرب فعال لمتجهات البيانات الضرورية لعمليات الشبكات العصبية العميقة (DNN). يحقق النظام عمليات متجه عالية السرعة بمعدل 43.8 مليار عملية في الثانية (GOPS) لكل قناة مع استهلاك طاقة منخفض يصل إلى 0.0576 بيكو جول لكل عملية (pJ/OP)، مما يظهر دقة حسابية قوية عبر مهام متنوعة، بما في ذلك التصنيف الثنائي والتعرف على الأرقام المكتوبة بخط اليد.
يؤكد المؤلفون على تعددية دائرة TFLN الخاصة بهم، التي تتعامل بنجاح مع المهام الخوارزمية المعقدة وتظهر استقرارًا على مدى فترات طويلة دون التحكم في درجة الحرارة. يتم اقتراح تحسينات مستقبلية، بما في ذلك دمج الليزر والكواشف على الشريحة، وتحسين عمليات التحويل EO، والانتقال إلى الأطوال الموجية المرئية لتقليل استهلاك الطاقة بشكل أكبر. تمتد التطبيقات المحتملة لهذه التكنولوجيا إلى ما هو أبعد من المهام الحوسبية التقليدية إلى مجالات مثل الرؤية، والاستشعار، والحوسبة الكمومية، مما يبرز قدرة TFLN على معالجة القيود الحالية في السرعة وكفاءة الطاقة في الحوسبة الضوئية.
DOI: https://doi.org/10.1038/s41467-025-62635-8
PMID: https://pubmed.ncbi.nlm.nih.gov/40890103
Publication Date: 2025-09-01
Author(s): Yaowen Hu et al.
Primary Topic: Neural Networks and Reservoir Computing
Overview
The increasing demand for artificial intelligence applications necessitates the development of scalable, high-speed, and energy-efficient computational methods. Photonic computing presents a viable solution due to the inherent parallelism, high bandwidth, and low latency of photons. However, existing photonic architectures face limitations primarily due to the energy and speed constraints of electro-optic conversion during electronic-to-optical data transfer.
In this study, we introduce a thin-film lithium niobate (TFLN) computing circuit that effectively mitigates these challenges by utilizing efficient electro-optic modulation alongside the spatial scalability of TFLN photonics. Our circuit achieves a performance of 43.8 billion operations per second (GOPS) per channel with an energy consumption of only 0.0576 picojoules per operation (pJ/OP). We demonstrate its capability through various inference tasks, including binary data classification and complex image recognition, achieving high accuracy. Furthermore, we present an advanced TFLN circuit integrated with a hybrid distributed-feedback laser and a modified uni-traveling carrier photodiode, indicating that the TFLN photonic platform has significant potential to enhance silicon photonics and diffractive optics in photonic computing, with applications extending to ultrafast signal processing and ranging.
Methods
The methods employed in this study focus on utilizing a thin-film lithium niobate (TFLN) circuit for photonic computing, specifically for matrix-vector multiplication. The experimental setup involves continuous wave light from the telecommunications C-band, which is coupled into the TFLN chip. The light first passes through an amplitude modulator (AM) that encodes the data vector \( \mathbf{x} \) onto the light’s amplitude. This modulated signal is then split into multiple spatial channels, each containing additional AMs that apply the weight vector \( \mathbf{\tilde{a}} \) in a time-synchronized manner. The resulting amplitude encoding corresponds to the product \( \mathbf{x} \cdot \mathbf{\tilde{a}} \), which is converted back to the electrical domain via photodetection, allowing for the digitization of the components using an oscilloscope.
To facilitate dot products between signed vectors, the authors adopt a method that transforms these operations into those involving unsigned vectors, necessitating two additional calculations by the photonic accelerator. Although this overhead can be eliminated in future iterations, it may introduce increased complexity. The electronic signals for \( \mathbf{x} \) and \( \mathbf{\tilde{a}} \) are generated by a high-speed arbitrary waveform generator (AWG) and transmitted to the TFLN chip through high-speed cables. The synchronization of the electrical drives is achieved by adjusting the delay between them, with the potential for full spatial multiplexing through the use of multiple synchronized digital-to-analog converters (DACs).
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It highlights the significant outcomes that emerged from the data, including any statistical analyses performed to validate the hypotheses. The results are typically illustrated through tables, graphs, or figures, which provide a visual representation of the data trends and relationships observed.
Additionally, the section may discuss the implications of these findings in relation to the research questions posed in the introduction. It is crucial to note any unexpected results or anomalies that could influence the interpretation of the data. Overall, this section serves as a foundation for the subsequent discussion, where the implications of the results will be explored in greater depth.
Discussion
The discussion section of the research paper outlines the development and performance of a photonic computing accelerator based on thin-film lithium niobate (TFLN). The architecture employs two high-performance TFLN amplitude modulators to encode and process data through electro-optic (EO) modulation, enabling efficient multiplication of data vectors essential for deep neural network (DNN) operations. The system achieves high-speed vector operations at a rate of 43.8 billion operations per second (GOPS) per channel with an energy consumption as low as 0.0576 picojoules per operation (pJ/OP), demonstrating robust computational accuracy across various tasks, including binary classification and handwritten digit recognition.
The authors emphasize the versatility of their TFLN circuit, which successfully handles complex algorithmic tasks and exhibits stability over extended periods without temperature control. Future enhancements are proposed, including integrating on-chip lasers and detectors, optimizing EO conversion processes, and transitioning to visible wavelengths to further reduce energy consumption. The potential applications of this technology extend beyond conventional computing tasks to areas such as vision, sensing, and quantum computing, highlighting TFLN’s capability to address existing limitations in speed and energy efficiency in photonic computation.