近日，电子信息与电气工程学院电子工程系区域光纤通信网与新型光通信系统国家重点实验室邹卫文教授团队在光学智能计算领域取得突破性进展，研究成果以Optical coherent dot-product chip for sophisticated deep learning regression（面向复杂深度学习回归任务的光学相干点积核芯片）为题在光学领域权威期刊Light: Science & Applications上发表。该工作成功研制了一款光学相干点积核计算芯片，具有运行复杂神经网络的能力，率先在光学智能计算芯片上实现了高精度的医学图像重构任务。邹卫文教授为该论文的通讯作者，博士研究生徐绍夫为该论文的第一作者。
随着智能应用的普及，以神经网络为代表的智能算法复杂度呈现爆发性增长，庞大的算力需求给现有的数字处理器带来了极大的压力，亟待开辟新型计算模式来缓解摩尔定律增速与算力需求增速之间的矛盾关系。近年来，光学智能计算技术受到国内外学术界广泛关注。光学系统的计算时钟频率可以超过数十GHz（109 Hz），同时具备静态无功耗的特性，被认为是实现下一代高速低功耗智能计算加速器的潜在途径。学术界报道的多种光学智能计算方案虽成功验证了高速低功耗计算的能力，但所能实现的任务均是简单的分类任务，与实际应用在复杂度上存在较大差距。
2016年末，邹卫文教授团队着力开展智能光学信号处理技术研究，率先验证了智能算法可以有效提升微波光子信号处理系统的性能，相关成果发表于2019年Light: Science & Applications期刊上（论文链接：https://www.nature.com/articles/s41377-019-0176-4），并受到微波光子学领域的广泛关注。在此基础上，团队瞄准利用光学系统实现高速高效智能计算这一目标，先后提出光学点积核、光学卷积分块技术等新型系统架构，分别解决了算法执行规模与输入端口能量效率等问题，为光学智能计算芯片的研制与应用奠定了原理基础。
此次，邹卫文教授团队与国内合作单位（北京大学、中科院半导体所）设计并研制一款光学相干点积核计算芯片。该芯片突破了阵列化光学器件的相干调控关键技术，成功地实现了实数域计算。借助于新型片上反馈控制算法，大幅提升了光学计算的数值精度。与此前的工作相比，该芯片在数域完整度与数值精度上的突破，使其具备了执行复杂智能任务的能力。
本研究中，邹卫文教授团队利用医学图像重构任务作为验证，在芯片上成功地运行了AUTOMAP（用于通用图像重构）神经网络模型，图像重构的质量接近了32位计算机的理想水平。该工作不仅推动光学神经网络研究领域攻克实际应用难题，更为下一代智能计算技术提供了新思路。后续进一步提高芯片的器件集成规模，有望实现更高速、更低功耗的光学神经网络处理器，缓解智能算力需求剧增与传统硬件算力受限的矛盾。
该工作由上海交通大学、北京大学与中科院半导体所合作完成。上海交通大学为第一完成单位，博士研究生徐绍夫为第一作者，邹卫文教授为通讯作者。
论文链接：https://www.nature.com/articles/s41377-021-00666-8