实现光电融合的光子神经网络计算处理器

以深度学习为代表的AI技术近年来发展迅猛，从计算机视觉、自然语言处理到自动驾驶、生命科学，几乎在众多领域取得突破性进展。然而，一个现实瓶颈日益凸显：晶体管的物理尺寸已接近极限，传统电子计算的性能提升空间逐渐收窄。为了支撑大规模深度神经网络的运算需求，我们迫切需要一种新的计算范式。

光子计算作为一种新兴方向，提供了另一种可能性。以光子为计算载体，天然具备高速、高通量和低功耗等显著优势。近年来，光学衍射神经网络、光子干涉神经网络和光子脉冲神经网络等架构相继被提出，在语音识别、图像分类等任务中取得了良好表现。可以预见，光子计算有望引领AI计算的下一场范式变革，该领域备受学术界和产业界关注。

然而，一个关键问题在于：现有光子神经网络主要集中在向量、矩阵等规则数据结构上，尚无法高效处理图（Graph）这类非欧氏空间数据。而许多科学领域的分析数据恰恰超越了欧氏空间的范畴。图结构数据便是典型代表，能够编码复杂系统中节点间的丰富关系，在动作识别、推荐系统、交通网络、化学分子性质预测等领域已得到广泛应用。

本文所介绍的研究，正是朝着这一方向迈出的重要一步。基于研究团队在智能光电计算领域的长期积累（Nature Photonics 2021 [4], Physical Review Letters 2019 [5]），2022年6月15日，清华大学戴琼海院士团队与上海交通大学熊红凯教授团队联合发表，在 Science Advances 上在线发表了题为“All-optical graph representation learning using integrated diffractive photonic computing units”的研究论文。他们基于衍射光子计算单元（DPU）和硅基片上光电子器件库，提出了一种衍射光学图神经网络架构（Diffractive Graph Neural Network，DGNN）。

该DGNN能够全光学地学习图的节点信息与结构特征。在Cora-ML、Citeseer、Amazon Photo等基准数据集上，其性能与电子图神经网络相当。这开辟了一条新路径——利用集成光子芯片高效处理大规模图结构数据。

论文共同第一作者为清华大学自动化系博士生严涛与上海交通大学电子工程系博士生杨睿。共同通讯作者包括清华大学电子工程系林星助理教授、上海交通大学电子工程系熊红凯教授以及清华大学自动化系戴琼海教授。

DGNN的核心机制是消息传递。它利用DPU实现可训练的变换矩阵，提取节点特征并生成消息；随后通过光波导与波导耦合，将消息传递至相邻图节点并聚合其特征；最终采用多头（Multi-head）策略生成图的拓扑特征，用于节点分类和图分类等任务。其中DPU模块采用基于一维衍射线（Metaline）超表面结构作为衍射层，用于调制输入光场；多条衍射线级联构成衍射网络，完成光学特征提取。

具体而言，每条衍射线是在硅-绝缘体（SOI）衬底的硅层上蚀刻出矩形二氧化硅槽阵列。每个二氧化硅槽称为超原子（Meta-atom），其对光场的幅度和相位调制系数由矩形槽的高度与宽度决定。DPU模块可在水平方向并行扩展以增大感受野，从而捕捉任意数量相邻节点的复杂特征；也可在垂直方向并行扩展，提取更高维度的节点特征，增强学习能力。更重要的是，相比干涉仪等其他片上光子计算器件，基于一维超表面结构的DPU模块具有更高的集成度。

图1：DGNN原理与结构示意图。（A）包含6个节点和5条边的图结构。（B）图节点消息传递机制。（C）基于片上衍射计算单元的全光学图特征学习。（D）基于多头策略的图节点分类。

为验证该方法的准确性与可靠性，研究团队首先在合成的随机块模型（SBM）图数据集上对DGNN进行了测试。DPU根据每个目标节点的三维节点属性生成二维神经消息，通过波导聚合不同数量的邻接节点特征来表示目标节点，再通过训练输出分类器，执行半监督图节点分类任务。利用有限差分时域（FDTD）方法与角谱分析方法，他们验证了：在相同网络规模下，DGNN的分类性能优于电子图神经网络PPRGo和多层感知器（MLP）。

图2：DGNN应用于SBM半监督节点分类。（A）合成随机块模型（SBM）图数据集。（B）片上衍射计算单元（DPU）结构和光学图节点特征提取过程。（C）超原子（Meta-atom）结构。（D）DGNN与电子神经网络分类准确率对比。

随后，研究团队将DGNN应用于Cora-ML、Citeseer、Amazon Photo等标准基准数据集，并与PCA、MLP和PPRGo等电子计算方法进行了对比。结果清晰地揭示了三个要点：

（1）充分利用图结构特点的网络模型，其性能显著优于忽略图结构的模型；

（2）DGNN的全光推理在性能上与PPRGo基本持平；

（3）在Cora-ML数据集上，DGNN相比PPRGo还有一定精度提升，表明利用光学方法进行特征提取和消息传递可能具有比电子方式更优越的表现。

图3：DGNN应用于标准数据集（Cora-ML，Citeseer，Amazon Photo）半监督图节点分类

此外，DGNN还被应用于基于人体骨架的动作识别任务，以进一步测试其图层面特征学习与分类能力。实验采用UTKinect-Action3D数据集，骨架图结构包含20个关节的位置信息。DGNN学习并聚合所有节点特征，将视频子序列的所有图层面特征连接后输入分类器，随后对所有视频子序列采用赢家通吃策略，得到最终的动作识别结果。实验结果显示：子序列准确率达83.3%，视频准确率达90.0%。这充分验证了该方法在图层面学习上的有效性。

图4：DGNN应用于人类骨架动作识别

特别值得一提的是：一旦DGNN的架构设计、优化完成并实现物理制造，用于图特征学习的片上光学器件即为无源器件。也就是说，基于图的人工智能任务的推理过程能够以光速进行，唯一限制来自输入数据的调制速度与输出探测速度。具体而言，光学推理的理论速度可达82.6 TOPs⁻¹，能量效率可达8.26 POPs⁻¹W⁻¹，计算密度可达130 TOPs⁻¹mm⁻²——与电子计算相比，可实现数个数量级的提升。未来若进一步提升DPU的能量传输效率，DGNN的计算性能仍有更大的提升空间。

综上所述，DGNN为高效处理图结构数据开辟了一条全新路径。它的诞生，很可能将启发未来基于集成光子计算的AI研究，使其突破欧几里得空间的限制，走向更广阔的应用场景。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：实现光电融合的光子神经网络计算处理器要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题