神經形態光子計算與類比記憶相遇：消除數據轉換瓶頸 大多數 AI 硬體運行在電子晶片上，計算是通過在晶體管中移動電子來進行的。但有一個日益增長的替代方案：使用光來執行神經網絡操作。在光子處理器中，矩陣乘法是通過將數據編碼為光信號並通過可調微型環共振器陣列來執行的，每個共振器充當突觸權重。光的物理特性使得大規模並行處理和超低延遲傳播成為可能，承諾提供電子設備無法匹敵的速度和能量效率。 然而，卻存在一個意外的平凡瓶頸：每個突觸權重都需要一個專用的數字-類比轉換器 (DAC) 來不斷驅動編碼器。對於大小為 n×n 的權重矩陣，這意味著需要 n² 個 DAC 不斷運行——不是為了計算，而只是為了保持電壓不變。數據在數字記憶體和類比計算之間的傳輸能量成本有可能抵消光子技術的優勢。 Sean Lam 和合著者們展示了一個優雅的解決方案：在每個光調製器上直接放置一個微小的電容器。一旦充電，它就能保持權重而不需要 DAC 持續運作。DAC 然後在列之間共享，僅在需要更新權重時啟動——其擴展為 n 而不是 n²。這一概念稱為動態電光類比記憶 (DEOAM)，在標準的 90 nm 鑄造工藝中製造於單片矽光子晶片上，與傳統設計相比實現了超過 26 倍的功率節省。 實驗數據清晰地框定了權衡。寫入時間約為 40–50 ns，保持時間約為 0.83 ms，每次寫入能量約為 56 pJ，位精度約為 5.6 位。保持時間取決於入射光功率——更多的光意味著更多的洩漏——在信號質量和記憶體壽命之間創造了直接的緊張關係。 為了理解這些規格對實際工作負載的意義，作者們在 MNIST 上模擬了一個三層神經網絡。保持與網絡延遲的比率僅需 100 即可使推理準確率保持在 90% 以上。考慮到洩漏的網絡訓練變得更加穩健——這是一個硬體感知訓練獲得回報的生動例子。 驅動電子內存計算的相同原則——移動數據的能量成本高於用它進行計算——在這裡也適用於混合電光領域。當前大多數光子處理器只能對在 GPU 上離線訓練的權重進行推理。DEOAM 為片上在線訓練開辟了一條道路，讓網絡能夠不斷適應新數據和硬體漂移。 論文：