中国科学家让机器人瞬间思考，加速硅光子学的发展

光子神经形态计算突破新闻

西电大学的科学家们创造了第一颗完全基于光的“神经形态”芯片，能够在不将信号转换为电流的情况下进行强化学习。这一事件标志着从线性光子尖峰网络向非线性变换的转变——这是实际应用的关键一步。

为何重要
- 无需转换：将光子转换为电子再返回会导致能量和时间损失。在实时系统（机器人、自动驾驶）中，这种延迟可能导致设备故障甚至事故。

- 机器人与人类安全交互：开发通用光子芯片为更可靠、更节能的智能系统铺平道路。

三大已解决问题
1. 大规模低阈值非线性尖峰神经元阵列——现在可以更密集地布置神经元。

2. 完全可编程芯片——以前它们是“硬件固定”的。

3. 光子强化学习——通过新架构实现。

原型架构
组件 | 描述
---|---
16通道光子芯片 | 具有272个可训练参数，基于16×16马赫-曾德尔干涉仪矩阵。
带激光和反馈的芯片 | 使用饱和吸收器实现低阈值非线性尖峰激活。
硬件-软件框架 | 首先在软件包中训练，然后迁移到芯片，随后根据硬件特性进行微调。

测试
- CartPole（杆平衡）– 准确度几乎与软件模型相同（误差1.5%）。
- Pendulum（摆动）– 误差2%。
- 两项任务的计算延迟仅为320皮秒。

效率
类型 | 能耗 | 密度
---|---|---
线性 | 1.39 TOPS/W | 0.13 TOPS/mm²
非线性 | 987.65 GOPS/W | 533.33 GOPS/mm²

这些数字使光子系统在能效（≈1 TOPS/W）和密度（0.1–0.5 TOPS/mm²）方面与GPU相当，同时完全依赖光处理，消除了转换损失。

前景
- 自动驾驶
- 智能机器人
- 超低延迟、极低功耗的边缘计算

未来计划将芯片扩展到128通道，以解决更复杂的问题（神经形态自主导航）并创建紧凑型混合集成光子神经形态设备。

总之，这一研发为基于光脉冲的节能AI开启了新路径，可能彻底改变机器人技术和自治系统的做法。