卷積神經(jīng)網(wǎng)絡(luò)是一種受生物視覺神經(jīng)系統(tǒng)啟發(fā)而發(fā)展起來的人工神經(jīng)網(wǎng)絡(luò)。它由多層卷積層、池化層和全連接層組成。作為卷積神經(jīng)網(wǎng)絡(luò)的核心組成部分，卷積層通過對輸入數(shù)據(jù)進行局部感知和權(quán)值共享，提取出不同層次和抽象程度的特征。在一個完整的卷積神經(jīng)網(wǎng)絡(luò)中，卷積運算的運算量通常占整個網(wǎng)絡(luò)運算量的80%以上。雖然卷積神經(jīng)網(wǎng)絡(luò)在圖像識別等領(lǐng)域取得了成功，但也面臨挑戰(zhàn)。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)主要基于馮·諾依曼架構(gòu)的電學(xué)硬件實現(xiàn)，存儲單元和處理單元是分立的，導(dǎo)致數(shù)據(jù)交換速度和能耗之間的固有矛盾。隨著數(shù)據(jù)量和網(wǎng)絡(luò)復(fù)雜度的增加，電子計算方案越來越難以滿足海量數(shù)據(jù)實時處理對高速、低能耗的計算硬件的需求。 

　　光計算是一種利用光波作為載體進行信息處理的技術(shù)，具有大帶寬、低延時、低功耗等優(yōu)點，提供了一種“傳輸即計算，結(jié)構(gòu)即功能”的計算架構(gòu)，有望避免馮·諾依曼計算范式中存在的數(shù)據(jù)潮汐傳輸問題。光計算近年來備受關(guān)注，但在大部分已報道的光計算方案中，光學(xué)元件的數(shù)量隨著計算矩陣的規(guī)模呈二次增長趨勢，這使得光計算芯片規(guī)模擴展面臨挑戰(zhàn)。 

　　李明-祝寧華團隊提出的光學(xué)卷積處理單元通過兩個4×4多模干涉耦合器和四個移相器構(gòu)造了三個2×2相關(guān)的實值卷積核（圖1）。該團隊創(chuàng)新性地將波分復(fù)用技術(shù)結(jié)合光的多模干涉，以波長表征Kernel元素，輸入到輸出的映射實現(xiàn)了卷積中的乘法運算過程，波分復(fù)用和光電轉(zhuǎn)換實現(xiàn)了卷積中的加法運算，通過調(diào)節(jié)四個熱調(diào)移相器實現(xiàn)了相關(guān)卷積核重構(gòu)（圖2）。 

　　該團隊提出的光學(xué)卷積處理單元實驗驗證了手寫數(shù)字圖像特征提取和分類能力。結(jié)果表明，圖像特征提取精度達到5 bit；對來自MNIST手寫數(shù)字數(shù)據(jù)庫的手寫數(shù)字進行十分類，準確率達92.17%。與其他光計算方案相比，該方案具有如下優(yōu)點：（1）高算力密度：將光波分復(fù)用技術(shù)與光多模干涉技術(shù)相結(jié)合，采用4個調(diào)控單元實現(xiàn)3個2×2實值Kernel并行運算，算力密度達到12.74-T MACs/s/mm²。（2）線性擴展性：調(diào)控單元數(shù)量隨著矩陣規(guī)模線性增長，具有很強的大規(guī)模集成的潛力。 

　　研究工作得到國家自然科學(xué)基金和中國科學(xué)院青年創(chuàng)新促進會的支持。 

圖1.光學(xué)卷積處理單元 

圖2.使用光學(xué)卷積處理單元進行圖像特征提取的結(jié)果。（a）輸入的五個手寫數(shù)字的圖片；（b）使用計算機進行特征提取的結(jié)果；（c）使用提出的光學(xué)卷積處理單元進行特征的結(jié)果。