发布时间：2024-05-19 10:28:29 来源：im电竞官网 作者：IM电竞官网注册 点击次数：14次

　　一方面，纳米光子学是一门研究光与材料在纳米尺度相互作用的科学，可以带来全新的技术，如超分辨光学加工技术和超分辨光学成像技术，进而推动微纳尺度上多种功能的光学神经网络的实现。另一方面，纳米光子学中光子传播的多频段、高速度、低功耗的特点，促使了光学神经网络向着小体积、高密度、低功耗的方向发展。

　　人工神经网络自身的发展也促使神经网络算法（如逆向设计、深度学习）在纳米光子学器件的设计中发挥前所未有的作用，以满足纳米光子学器件对自身功能、体积、集成度、计算功能的日益增长的要求。

　　人工智能技术的进步正以前所未有的广度和深度改变社会。从技术上讲，这些进步极大地依赖于人工神经网络（ANNs）的发展。人工神经网络作为人工智能的核心技术，由McCulloch等在1943年提出，并首次在基于硅基电子芯片的冯诺依曼计算机体系上通过数学和算法的形式实现，模拟了生物神经网络的信息处理方式，这标志着人工神经网络研究时代的序幕。

　　人工神经网络可用于模拟生物神经网络处理信息的能力（图1）。其可以分为两种，一种是基于硅基电子器件的神经网络，包括基于冯诺依曼计算机和神经形态电子计算机构造的功能性网络；另外一种是基于光学器件实现的光学神经网络，包含基于传统光学器件的光学神经网络，以及基于纳米光子学发展的纳米光子学神经网络。

　　图1 人工神经网络的基本概念与光学神经网络发展的时间线。(a)光学神经网络发展的时间轴；(b)生物神经网络的结构、信号特征，以及人工神经网络的基本原理；(c)人工神经网络的分类

　　在神经网络算法发展的基础上，光学神经网络逐渐得到特别的关注。尤其是以光学器件构造的光学神经网络在图像处理等应用中有着得天独厚的优势。传统的光学器件体积过大，极大限制了光学神经网络中神经元的数目和密度，也制约了其在应用领域的发展。

　　直到21世纪初，随着纳米光子学领域研究的进步，以及互联网技术（特别是光纤通信技术）在人类生活中的广泛应用，如何快速与节能地处理和传输海量数据成为了科学研究的重点，此时人们重新将目光聚焦在处理速度超快、能耗极低的光学人工神经网络的构建及实现上。而纳米光子学的发展也极大促进了光学神经网络朝着高速度信号处理、微型集成化、低功耗、高神经元密度的方向快速发展。

　　第一类纳米光子学神经网络是基于光波导器件的神经网络，如图2所示。2017年，研究人员Tait等研发了世界上首个光子神经网络，并展示了其超快的运算速度。同年，MIT大学的Shen等开发了一种新型的利用光信号代替电信号的芯片架构，这种架构的特征是使用了多条光束并通过光波干涉产生干涉图样，这些干涉图样承载着预设结果。

　　图2 以微纳光波导为基础的纳米光子学神经网络实例。(a)光学神经网络原型机以及实验图；(b)以光信号为载体的新型芯片架构

　　另外一类光学神经网络是基于衍射光学的构架。2018年，Lin课题组提出了一种全光学的深度学习结构，即衍射深度神经网络（D2NN）。这是基于一种深度学习算法的无源衍射层，该结构利用误差反向传播法对衍射神经网络进行训练，理论上能以接近光速的速度处理输入信息，最终实现复杂的机器学习。

　　2021年，上海理工大学顾敏教授领导的研究团队研究出一种基于机器学习的纳米级AI光学芯片，可以实现以光速进行无源全光推理、神经密度比人脑高10倍、计算能力比电子高10多个数量级的处理能力。

　　该项工作中，研究人员利用一流的激光3D纳米打印技术加工光学传感器，可以达到每平方厘米超过5亿个神经元。这些智能纳米元件的纳米特征尺寸可将解密器的计算速度提升至上限400ExaFLOPS（ExaFLOPS指每秒1018次浮点运算），与集成光子硬件相比，其每秒操作数量增加5个数量级。

　　纳米光子学的发展一方面给光学神经网络的实现提供了一个全新的物理基础，实现了光学神经网络的高速度、高密度的信息处理能力。另一方面，人工神经网络的发展，特别是近年来基于深度学习算法的逆向设计的发展给予了物理学家全新的手段和方法来设计种类繁多的纳米光子器件，如光学非线性、手性超材料、微型激光器、超透镜、拓扑光子晶体等。

　　逆向设计与传统设计方法不同，由目标出发以确定表征问题特征的参数。逆向设计通过将先进的人工智能算法与数值模拟相结合，实现复杂的参数优化，并可实现更大自由度的设计空间，可广泛用于地球物理、生物、医疗及建筑等领域，也可应用在纳米光子学的设计。通过结合智能优化算法、深度学习算法，实现超越传统设计方法的纳米光子学器件。

　　优化算法擅长于求解各种优化问题的应用技术，比如图像处理、生产调度、自动控制和机械设计等。常见的优化算法可以分为梯度下降算法与进化算法两大类。这种逆向设计算法能够使人们发现非直观的、不规则形状的光子结构，这些结构在许多应用中要比以经验设计的结构表现得更好，如硅光子元件、光子晶体和超材料。

　　其中，梯度下降算法是逆向设计中使用最广泛的优化算法。当使用该算法时，目标函数的极小值成为计算的目标。通过沿着梯度的反方向（也就是下降最快的方向）将变量移动一定距离，目标函数便会逐渐减小，最终达到最小。

　　从根本上说，基于优化算法的逆向设计是基于规则的方法，包含逐个案例的迭代搜索步骤，通常依赖于每一步的数值模拟来产生中间结果，以帮助修改搜索策略。这种随机算法受其随机搜索特性的限制，无法进行多约束问题的复杂设计。因为神经网络是一种模仿生物神经系统的新的信息处理模型，具有独特的结构。计算机领域中已经出现了多种类型的神经网络模型及相应的算法。

　　最基础的神经网络结构是多层感知器（MLP）。在具有复杂和特定任务架构的现代深度学习模型中，多层感知器经常作为瓶颈层来提取有意义的特征，例如作为高维数据（如图像）的紧凑表示。其中，一种基于双向多层感知器的深度学习模型可用于设计等离子体纳米结构。在早期研究的基础上，研究人员借助更深层次的网络结构，成功地模拟了光子结构与其光学特性之间复杂的物理关系。

　　除了设计问题之外，深度学习还可以用于解决光子学中的其他问题，比如模态分类和波导中有效的折射率检索，通过降维来揭示等离子体纳米天线的基础物理和近场操作。作为深度学习模型的普通形式，多层感知器需要向量化的输入和输出。通过参数化模型的输入和输出，计算几个离散和无量纲元素组成的向量，多层感知器模型可以适应广泛的光子应用，而不考虑底层物理特性。

　　纳米光子学与人工神经网络是两个看似不同的学科，但事实上却可以紧密联系、协同发展。这种协同发展必须将传统光学、纳米光子学、计算科学、材料学相结合，并且充分利用光学这一媒介在信息传导和处理中的优势，设计出一种完全不同于传统的计算机体系。这种发展最终也会促进高效光子神经网络的出现，提升现有人工神经网络计算的效率和尺度。

　　光学神经网络的进一步发展也会使得其本身被应用于纳米光子学的逆向设计。在这样一条发展道路上，纳米光子学与神经网络协同发展的最终目标是构造新型纳米光子学结构和材料，实现小体积、高神经元密度、低功耗的光学神经网络。

　　正如当代电子计算机（冯诺依曼式计算机）的设计并没有遵循古典的计算器械（算盘）的设计思路一样，未来的人工神经网络甚至纳米光子学芯片的设计也应该突破当今冯诺依曼电子计算机的枷锁。只有不局限于现有的体系，系统性地整合光学、纳米光子学、材料学、计算科学的发展，才有可能促使全光的光学神经网络的诞生，实现以光的速度为基准的人工智能计算，并最终促使一个全新的人工智能时代早日到来。

　　本文改写自《光学学报》文章——人工智能纳米光子学:光学神经网络与纳米光子学返回搜狐，查看更多