近日，西安电子科技大学项水英教授团队在郝跃院士的悉心指导下，在光神经形态计算研究方向取得重要进展。在高水平光学类期刊《Optica》上发表了题为“Hardware-algorithm collaborative computing with photonic spiking neuron chip based on integrated Fabry–Pérotlaser with saturable absorber”（基于FPSA半导体激光器的光脉冲神经元芯片硬件与算法协同计算）的最新研究成果。
人类大脑具备低功耗、高鲁棒性、高效并行、自适应等特点，神经元和突触是关键基础单元。受人类大脑启发的神经形态计算，借鉴生物神经网络系统结构及信息处理过程实现高效计算硬件和算法，是后摩尔时代克服冯诺依曼瓶颈的一种有竞争力的新型计算范式。虽然电子神经形态计算芯片已取得巨大进展，受限于电子瓶颈及摩尔定律放缓，它们仍然受到计算速度和功耗的限制。光子神经形态计算具有超高速、大带宽和多维度等显著优势，有潜力克服电子神经形态计算的局限性。将集成光子学应用于神经形态计算，线性和非线性计算单元是不可缺少的基础单元。线性计算的光学实现已得到较好发展，然而，非线性计算仍然是光子神经网络最具挑战性的难题。
针对光神经网络非线性计算难题，团队自主研制了基于两段式半导体激光器的新型光脉冲神经元芯片，实验证实了可控的类神经元非线性响应（包括时域积分、阈值激发、抑制响应及不应期)，脉冲处理速率达到10GHz（比生物脉冲神经元响应速率快7个数量级），脉冲能耗约为7.3fJ/spike。为规避硬件集成规模限制，进一步提出了时分复用光域时空编码机制，大大地降低了硬件节点要求。并首次实现了光脉冲神经网络的硬件与监督算法的软硬协同计算，完成了基于脉冲机制的模式识别任务，这一实验发现是推动集成光子脉冲神经网络芯片实际应用的重要一步，并证明了构建大规模多层光子脉冲神经网络芯片解决复杂任务的潜力，为大规模光脉冲神经网络的硬件实现奠定了重要基础。
采用时空编码机制的光脉冲神经元芯片软硬协同计算架构
光脉冲神经元芯片与监督算法软硬协同实现模式分类任务
本文报道的光脉冲神经元芯片，基于传统InP基激光器工艺平台，具有集成化、低功耗、高速率、易于调谐等特点，适用于大带宽、高速率、低延迟等应用场景，为实现集成化光神经形态计算系统奠定了器件基础。有望在数据中心、边缘计算、自动驾驶等应用中发挥其独特的竞争力。
据了解，该研究是西安电子科技大学光神经形态计算团队与南京大学陈向飞教授、施跃春副教授团队深入合作的成果。西安电子科技大学为第一完成单位，西安电子科技大学项水英教授和南京大学施跃春副教授为该文的共同第一作者，项水英教授为通信作者。合作单位还包括中国科学院半导体研究所、英国University of Glasgow、南通大学等。该项研究得到了国家重点研发计划项目（2021YFB2801900）、国家自然科学基金优秀青年基金（62022062）以及国家自然科学基金面上项目（61974177, 61674119）的支持。
相关链接：
近年来，项水英教授研究团队致力于研究光神经拟态计算芯片及算法，从基础理论、单元器件及关键技术、集成芯片与核心算法等方面开展了系统深入研究。光神经形态器件层面，先后通过理论和实验证实了基于不同分立器件的光脉冲神经元非线性响应(J. Lightwave Technol. 36(19), 4227, 2018;Opt. Lett., 44(7):1548-1551, 2019)及光突触可塑性(Sci China Inf Sci, 65(8): 182401, 2022)。在此基础上，理论和实验证实了基于单个光脉冲神经元的全光异或运算(Photonics Res., 9(6):1055, 2021;Opt. Lett.,, 45(5), 1104, 2020)，全光二进制卷积及图像边缘检测(Photonics Res., 9(5):201, 2021)等。核心算法层面，开发了光脉冲神经网络理论模型及浅层网络的无监督/监督训练算法(IEEE Trans. Neural Networks Learn. Syst., 32(6), 2494, 2021;IEEE J. Sel. Top. Quantum Electron., 25(6): 1700109, 2019)，进一步提出了时延-权重协同可塑性算法(Photonics Res., 9(4):119, 2021)，以及多层光脉冲神经网络监督训练算法(IEEE J. Sel. Top. Quantum Electron., 27(2), 7500109, 2021),实现了模式识别等人工智能任务。集成芯片方面，实验证实了基于自主研制光脉冲神经元芯片的光神经形态计算原型系统(Photonics Res., 11(1), 65, 2023)。相关研究成果为研制光神经形态计算集成芯片提供了重要的理论和器件基础。