《光电科学》的新出版物;DOI：概述了基于 DFB-SA 芯片的多突触光子 SNN。
与传统的人工神经网络相比，脉冲神经网络具有时空编码和事件驱动的特性，在生物学上更真实、功能更强大、功耗更低。近年来，光计算被广泛认为是一种硬件加速平台，其中非线性计算提出了挑战。光子SNN为高性能神经形态计算提供了一个超快速和节能的平台。
由于具有紧凑的尺寸和高可靠性的潜力，集成架构提供了一种可靠的光学神经形态计算架构方案。两段式半导体激光器可以用作光子脉冲神经元，能够模拟类似神经元的反应，并像神经元一样进行非线性计算。然而，SNN的强非线性和硬件约束带来的训练困难，对高效的SNN算法提出了迫切的需求。同时，算法和硬件平台的协同计算成为新的挑战。
为了解决光学神经网络的非线性计算挑战，课题组自主研发了一种以饱和吸收区为光学脉冲神经元的分布式反馈半导体激光芯片，可以成功模拟类神经元动力学，如可激发响应、阈值和积分行为。受生物学中多突触结构和延迟权重可塑性的启发，提出了一种多突触SNN结构和延迟权重协同监督学习算法来训练光学SNN，实现了基于光学SNN的模式分类算法与DFB-SA激光芯片之间的软硬件协同。
与现有常用算法相比，该算法的学习效率和性能均较好，引入的多突触连接可以有效提高不同学习算法的网络性能。为了实现算法与硬件的协同计算，采用时分复用技术对不同输出神经元在不同时间间隔内接收到的输入进行编码，并基于单个DFB-SA激光芯片对分类模式进行了实验验证。不同类型的输入只能刺激相应的输出神经元产生单个尖峰。此外，在重复测试中，虽然输出尖峰功率波动较大，但尖峰时序相对稳定，证明了时间编码的鲁棒性。该研究实现了功能光子SNN，远远超出了硬件集成规模的极限，展示了硬件-算法协同计算的能力。本工作是推动集成光子SNN芯片实际应用的重要一步，为大规模光SNN的硬件实现奠定了重要基础。
本文报道的DFB-SA激光器芯片，基于传统的基于InP的通用代工平台，具有集成度高、功耗低、速度快、易于调谐等特点，适用于大带宽、高速、低时延的应用场景。为实现一体化光学神经形态计算系统奠定了设备基础，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。
