全光学类脑计算芯片：模仿人脑存储与处理信息的方式！

背景

人工智能时代，某项技术可以像人脑一样工作，不再是遥不可及的梦想，例如智能手机已经能够识别人脸或者语言。

然而，当实现更加复杂的应用时，计算机仍然会迅速触及极限。其中一个原因就是，在传统的冯·诺依曼体系结构中，计算机的存储器和处理器是分开的，因此所有的数据必须在二者之间来回移动。

冯·诺依曼体系结构（图片来源：维基百科）

CPU的运算速度增长得较快，内存的访问速度增长得较慢，它们之间存在速度不匹配的问题，也就是所谓的“冯·诺依曼瓶颈”。这一瓶颈不仅限制了系统带宽，增加了系统功耗，也会进一步增加计算机的成本和体积。

为了突破这一瓶颈，科学家们希望从人脑结构中获取到灵感。人脑领先于最先进的现代计算机，因为它在同一个地方（神经突触，或者说神经元之间的连接）处理和存储信息，人脑中有数以百万亿的神经元。

下图所示：生物神经网络中的神经元与突触

（图片来源：Aleksandr Kurenkov 与 Shunsuke Fukami）

创新

近日，德国明斯特大学、英国牛津大学和埃克塞特大学成功开发出一种硬件，为创造类脑计算机铺平了道路。科学家们设法创造出一个含有人工神经元网络的芯片，这种人工神经元在光线的作用下工作，并能够模仿人脑神经元与突触的行为。

（图片来源：WWU - Peter Le?mann）

研究人员已经能够证明，这种光学神经突触网络能够“学习”信息，并且使用它作为计算和模式识别的基础，就像大脑一样。因为这个系统仅过光线运作，而不是通过传统的电子运作，所以它处理数据的速度快许多倍。

明斯特大学教授、这项研究的首席合伙人沃尔夫拉姆·佩尼斯（Wolfram Pernice）表示：“这种集成化的光子系统是一个实验性的里程碑。以后，该方案可应用于许多不同领域，例如医疗诊断，以评估大数据中的模式。”这项研究发表在最近一期的《自然（Nature）》期刊上。

下图所示：基于光线的脑启发芯片示意图。通过模仿生物神经元系统，光子神经形态处理器为应对机器学习和模式识别中的挑战，提供了一种有希望的平台。

（图片来源：Johannes Feldmann）

技术

现有的大多数与所谓的“神经形态网络”相关的现有方案都是基于电子的。然而，采用光子或者说光粒子的光学系统，仍然处于初级阶段。

通过忆阻器阵列模仿神经元和突触的工作方式（图片来源：功能材料自旋电子学研究小组，格罗宁根大学）

德国与英国的科学家们采用的原理如下：可传输光线并制作到光学微芯片中的光波导与所谓的“相变材料”集成到一起，相变材料已经应用于如今的存储媒介，例如可重写的DVD。这些相变材料的特征是，根据它们是晶体（原子排列采用常规样式）还是无固定形状（原子排列采用非常规样式），它们会动态改变光学特性。

如果用激光加热材料，这种相变会通过光线触发。论文领导作者、在明斯特大学读博时开展过许多实验的约翰内斯·费尔德曼（Johannes Feldmann）表示：“因为材料反应得如此强烈，并动态地改变其特性，所以它非常适合模仿突触，以及两个神经元之间的脉冲传递。”

在他们的研究中，科学家们首次成功地将许多纳米结构化的相变材料合并到一个神经突触网络中。研究人员们开发出一个具有4个人工神经元以及总共60个突触的芯片。由不同层组成的芯片结构，是基于所谓的“波分复用”技术。通过这种处理，光线在光学纳米电路中不同通道之间传输。

全光学脉冲神经元电路（图片来源：参考资料【1】）

为了测试该系统识别模式的程度，研究人员们采用两种不同的机器学习算法，以光脉冲的形式将信息输入到系统中。在这个过程中，人工系统从示例中“学习”，最终可以归纳它们。假如采用两个算法，即所谓的监督学习与无监督学习，该人工网络最终能在给定光线模式的基础上，识别需要寻找的模式，其中一种就是四个连续的字母。

价值

约翰内斯·费尔德曼表示：“我们的系统使我们朝着创造出像大脑中神经元与突触一样工作的计算机硬件迈出了重要的一步，这种硬件也可以完成现实世界的任务。”论文合著者、牛津大学教授哈里什·巴斯卡兰（Harish Bhaskaran）补充道：“通过采用光子取代电子，我们可以发挥光学技术的全部潜力，不仅是为了传输数据（到目前为止的情况），也是为了在同一个地方处理和存储数据。”

一个非常特殊的例子就是，在这种硬件的帮助下，癌细胞可以被自动分辨出来。然而，在这种应用实现之前，还有许多工作要做。研究人员们需要增加人工神经元和突触的数量，以及增加神经网络的深度。例如，这些可以采用硅技术制造的光学芯片来实现。论文合著者、 Fun-COMP 项目领导者、埃克塞特大学教授大卫·赖特（C. David Wrigh）表示：“这一步将在欧盟合作项目‘Fun-COMP’中采用生产纳米芯片的加工工艺实现。”

参考资料

【1】J. Feldmann et al.All-optical spiking neurosynaptic networks with self-learning capabilities. Nature, 2019 DOI: 10.1038/s41586-019-1157-8

【2】https://www.uni-muenster.de/news/view.php?cmdid=10253