AI的快速發展推動計算需求激增，傳統電子計算因能耗與運算瓶頸受限，已難以滿足需求。在此背景下，光子積體電路（Photonic Integrated Circuits, PIC）憑藉其低延遲、高頻寬與多工能力，成為高效能運算與 AI 加速器的潛在解決方案。
光子電路結合光子與電子元件，可實現數位與類比計算，為硬體 AI 加速器提供新路徑。本文簡介 PIC 技術於數位與類比計算的應用進展，並分析其在硬體實現、架構設計與軟硬體協同設計中的挑戰與策略。
數位光子計算的關鍵進展
1.光學邏輯閘
光子電路利用光學元件（如環形共振腔、MZI 等）執行數位邏輯操作。光訊號根據電訊號設定完成運算，例如利用環形共振腔實現 AND/NAND 和 OR/NOR 閘，具備低延遲與高頻寬優勢。
2.組合邏輯與可重構光子電路
為解決傳統光學邏輯閘靈活性不足的問題，可重構光子電路（Reconfigurable PICs）允許透過額外控制訊號動態調整邏輯狀態，實現任意邏輯函式，提升運算適應性。
3.光子算術邏輯單元（Electronics-Photonic Arithmetic Logic Unit, EPALU）
結合波長多工技術的光子算術邏輯單元可執行多種邏輯與算術操作。透過波長分工與相干干涉，光子電路得以顯著提升運算效能，並以模組化設計增強擴充性。
類比光子計算於 AI 的應用
1.類神經網路（ANN）實現
人腦類比訊號的處理模式啟發光學類比計算的設計。光學神經網路（ONNs）將輸入與權重編碼於光訊號中，透過調制元件（如熱光調制器與相變材料）完成矩陣運算。
2.可程式化調制技術
光學類比運算依賴網路參數的精確編程，透過熱光調制、電場調制及非揮發性相變調制，實現快速且靈活的光學訊號處理。
3.光子Tensor核心（Photonic Tensor Core）
將神經網路的權重表示為張量操作，透過光子元件（如 MZI 和環形共振腔）執行線性變換與非線性啟用，具備高效能矩陣運算能力。
光子 AI 加速器架構與軟硬體協同
1.加速器架構設計
光子 AI 加速器涵蓋前饋、遞迴與脈衝神經網路架構。脈衝神經網路模仿生物神經元，以光脈衝計算時序資訊，提升動態處理能力。
2.軟硬體協同設計
高效的軟硬體整合對光子 AI 系統至關重要，包括光子硬體建模、硬體感知的神經網路訓練，以及編譯器與執行系統的設計，確保 AI 演演演算法高效對映至光子硬體。
結論與展望
光子電路在高效能計算與 AI 加速中展現巨大潛力。透過結合數位與類比計算技術，以及創新的光子Tensor核心與軟硬體協同設計，光子電路將有效應對 AI 時代的計算需求。然而，實現這些突破仍需解決損耗、串擾與製程挑戰。
參考資料
[1] S. Ning, H. Zhu, C. Feng, J. Gu, Z. Jiang, Z. Ying, J. Midkiff, S. Jain, M. H. Hlaing, D. Z. Pan, and R. T. Chen, "Photonic-Electronic Integrated Circuits for High-Performance Computing and AI Accelerator," arXiv preprint arXiv:2403.14806, Mar. 2024.
Comments