芯片|来自底层的变革，卷积神经网络实现全光计算芯片方案新策略 CNN|波导|it芯片

虽然冯诺依曼这种传统架构的弊端，使得不断有团队向这个传统架构发起挑战，不过作为最老牌最经典最稳定的传统架构，它已经无处不在，已经融入我们科技大厦的骨肉，成为了我们现代化计算设备的基础。因此在传统架构上做创新，很多研究机构依然在坚守。而在当前的电子计算机日趋达到物理极限以及难以满足日益增长的高速和低功耗双重问题的大背景下，这一新的曙光，用光子替代电子，就成了一个让很多人感觉有前景的替代性发展方向。
这个方向也是近期北京大学物理学院龚旗煌研究团队努力研究并取得一定突破的方向。他们提出了一种基于卷积神经网络（CNN）实现超快超低能耗全光计算芯片方案的新策略，支持多计算任务的执行。这项工作为下一代全光计算系统指明了方向。

要知道，当前的光计算通常依靠三阶非线性光学来实现全光控制，而其响应时间和非线性敏感性又似乎是一种天生的此消彼长的矛盾体。这就是目前遵循冯诺依曼架构的集成光子处理器面临的问题。而要在单个芯片上集成各种光子器件的复杂异构，就需要寻找一种新的策略。
此次这个基于CNN卷积神经网络的多功能逻辑运算的全光计算新策略就诞生了。据了解，此次的光学CNN是由级联硅Y形波导和侧耦合硅波导段组成的，它已实现每个波导分支中的完整相位和幅度控制。这种概念和架构简单的设计独特地提供了超快的计算时间和低能耗。
全光计算，就意味着可用于方程求解、多功能逻辑运算以及许多其他数学运算的通用设备。而这个光学CNN策略，则用实验验证了全光计算的性能。同时，它还是第一个基于硅波导的用于全光计算的物理固定CNN ，不仅实验运算达到满意的速度，而且更重要的是，它的功耗惊人地低。实验显示是可达皮秒级超快运算和每比特数十飞焦量级的超低能耗。
【芯片|来自底层的变革，卷积神经网络实现全光计算芯片方案新策略】我们现在的计算机都有并行计算的理念和应用，此次北京大学物理学院龚旗煌研究团队的研究也没忽略这一点，它提供了使用波长复用进行并行计算的可能性。或许，这一系列工作，更坚固了研究者的信心，这是一个前景比较灿烂的方向。