Advanced Photonics Nexus2024年第2期文章：
Run Sun, Tingzhao Fu, Yuyao Huang, Wencan Liu, Zhenmin Du, Hongwei Chen. Multimode diffractive optical neural network[J]. Advanced Photonics Nexus, 2024, 3(2): 026007
背景介绍
衍射光学神经网络(Diffractive Optical Neural Networks, DONN)作为一种光学计算架构，被用来完成各类智能学习任务。由于它内部的调控单元所具有的密集程度显著高基于其他光学元器件设计的光学神经网络，因此得到了研究人员的广泛关注。调控单元能够以无源的方式操纵光波在衍射光学神经网络中传播，通过光的衍射与干涉，实现神经网络的计算与推理功能。
多个关于衍射光学神经网络的研究工作展示了相似的结构：相位调控单元操纵光束的相位分布，从而实现光束方向的偏转和相位权重的加载。通常这些相位调控单元排列形成层状结构放置在开放的空间内。然而，这些以开放空间为载体的结构存在着明显的能量耗散，调控层之间的光会在层间扩散出去，而只有一部分会被用于后续的计算层，造成了能量的损耗。同时，以衍射光学为基础的分析方法的精度随着层间距的减小而显著下降，这为减小结构面积和体积造成了困难，且这种分析方式在输出端口处仍存在着困难，不能精确地描述输出耦合过程。这些都严重限制了目前衍射光学神经网络的设计和应用。
研究内容及结果
针对以上提出的问题，清华大学陈宏伟教授研究团队和国防科技大学纳米光电子技术团队合作，成功提出了一种新型光学衍射计算结构—多模衍射光学神经网络。首次将调制层约束在了有限空间内，并提出了对应的本征模式分析方法。
该结构将光的传输约束在有限的空间内，由此有效地减小了调控结构层之间的能量耗散。研究工作以标准Silicon-On-Insulator(SOI)结构上的多模波导被作为例子，通过刻蚀层调控多模波导中的模式间发生相互耦合，并且以本征模式为基础的分析显著的提升了分析精度。相关研究以“Multimode diffractive optical neural network”为题，发表于Advanced Photonics Nexus2024年第2期。
该团队选择了本征模式分析方法，如图1所示，多模光学衍射计算结构内部的光场传输被理解为模式的演化过程。在有限的空间中，调控层形成了模式耦合结构。多个模式在经过调制层后互相之间发生耦合，这种耦合规则可通过模式耦合矩阵来描述。另外，输入和输出过程也被建模为某一模式和多种模式之间的耦合过程。
图1 多模光学衍射计算结构及其基于模式的分析方式
通过简单的连续左乘模式耦合矩阵，即可迅速准确地获得整个多模衍射光学神经网络的线性端口到端口的传输矩阵。该团队以标准SOI结构上的多模波导为基础，通过二值化的设计方案，设计出若干种调制层，并最终通过计算横电模在这些结构中的耦合过程，得到它们的模式耦合矩阵。
通过选择最合适的结构，组合成多模衍射光学神经网络，完成了鸢尾花分类的预测任务以及一位加法器的计算功能，如图2所示。相比于之前的片上衍射神经网络的工作，这类多模衍射光学神经网络的计算功耗更低、面积更小、集成度更高。
图2 多模光学衍射计算结构的设计方法与完成的任务
未来展望
基于操控模式耦合的多模衍射光学神经网络具有结构设计简单、光学神经元集成度高、能量利用效率高、标准化程度高、易于加工等优点。这将有望解决目前集成光计算芯片在功耗、面积与集成度上的瓶颈问题，推动光学衍射计算结构在性能上实现进一步的优化。在未来，将能够兼容各种新型光学计算单元，为高计算容量及高集成密度的光学神经网络芯片设计、制备和应用提供全新的解决方案。
清华大学电子系博士生孙润为该项成果的第一作者，清华大学陈宏伟教授和国防科技大学符庭钊副研究员为共同通讯作者。该研究得到了国家自然科学基金重点项目的支持。
