據(jù)麥姆斯咨詢報道，英國思克萊德大學（University of Strathclyde）開發(fā)了一種硬件友好型神經(jīng)形態(tài)光子脈沖處理器，其使用單個VCSEL，用于全光學圖像邊緣特征檢測。這利用了基于VCSEL的光子神經(jīng)元高速集成時間編碼像素數(shù)據(jù)的能力，并在檢測到所需圖像特征時快速發(fā)射（100ps）光學脈沖。此外，光子系統(tǒng)與軟件控制的脈沖神經(jīng)網(wǎng)絡相結(jié)合，為復雜的圖像分類任務提供了一個完整的平臺。因此，這項研究突顯了基于VCSEL的新型、超快、全光學神經(jīng)形態(tài)處理器平臺的潛力，該處理器與當前的計算和通信系統(tǒng)相連接，可用于未來的光驅(qū)動人工智能（artificial intelligence，AI）和計算機視覺功能領域。

利用脈沖VCSEL神經(jīng)元的圖像處理技術

網(wǎng)絡互聯(lián)設備的大量使用，直接導致數(shù)據(jù)的可獲得性不斷提高，對更快、更高效的數(shù)據(jù)處理平臺的需求不斷增加。電子處理技術的發(fā)展緩解了其中的部分需求，展示了高計算吞吐量，并支持AI新系統(tǒng)的開發(fā)。然而，由于電子技術中的基本物理挑戰(zhàn)，基于硅的平臺的性能提升越來越有限，串擾、寄生電容和焦耳熱均會限制電子系統(tǒng)的速度、帶寬、占位面積和效率，進而促使許多研究人員探索未來數(shù)據(jù)處理系統(tǒng)的替代平臺。

一種替代平臺是基于光子學的系統(tǒng)，其具有更高的帶寬、高能效、低串擾和快速運行等特點，有助于彌補先進電子學技術的一些限制。近年來，對光子人工神經(jīng)網(wǎng)絡（Artificial Neural Networks，ANN）和神經(jīng)形態(tài)系統(tǒng)的研究正在興起。光學器件，例如量子共振隧穿（quantum resonant tunnelling，QRT）結(jié)構、光學調(diào)制器、相變材料（phase-change materials，PCM）和半導體激光器（semiconductor lasers，SL）等，都已作為新型神經(jīng)形態(tài)光子處理系統(tǒng)的候選對象進行了研究。其中，關于通過人工神經(jīng)網(wǎng)絡和儲備池計算系統(tǒng)加速光子學中的信息處理方面的研究已經(jīng)蓬勃發(fā)展。同樣，在圖像處理和計算機視覺領域取得巨大成功的卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）也在光子學平臺上得到實施，已提出諸如PCM、微環(huán)諧振器和調(diào)制器等器件來提高計算成本高的卷積運算的速度和效率。

與經(jīng)典的人工神經(jīng)網(wǎng)絡一樣，神經(jīng)形態(tài)計算系統(tǒng)特別適用于眾多任務處理，其中之一是圖像和模式的分類和識別。與CNN類似，軟件控制的神經(jīng)形態(tài)脈沖神經(jīng)網(wǎng)絡（Spiking Neural Networks，SNN）已成功證明具有圖像處理功能。此類SNN系統(tǒng)通過卷積和池化技術的組合來提取圖像特征，并與動態(tài)視覺傳感器（dynamic vision sensor，DVS）相機和單光子雪崩探測器（single photon avalanche detectors，SPAD）結(jié)合使用以執(zhí)行圖像處理任務。此外，研究還表明，由于只有網(wǎng)絡的活動部分需要計算，因此SNN比CNN具有更低的能量操作要求和更小的延遲。總之，由神經(jīng)形態(tài)光子器件構成的SNN在直接構建在光子學平臺上的快速高效的圖像處理系統(tǒng)的未來發(fā)展中顯示出巨大潛力。

除此之外，半導體激光器還顯示出作為高速人工光學脈沖神經(jīng)元的能力，模擬大腦中生物神經(jīng)元的功能和脈沖操作。在半導體激光器中，垂直腔面發(fā)射激光器（vertical cavity surface emitting lasers，VCSEL）因其獨特的特性（如高速、易于集成在2D陣列中、與光纖的高耦合效率等）而備受關注。

近期，思克萊德大學的研究工作展示了一種通過基于VCSEL的硬件系統(tǒng)和全光學脈沖卷積運算構建的具有圖像處理功能的平臺。該平臺使用單個VCSEL作為人工光學脈沖神經(jīng)元，并結(jié)合時分復用技術，使其成為一個對硬件非常友好的平臺。利用脈沖VCSEL神經(jīng)元的集成和發(fā)射能力，可以同時處理多個高速光輸入（100ps），每個輸入都對不同的圖像像素進行編碼，以直接在光域中進行脈沖卷積運算。該功能被用于（復雜）源圖像中的全光學邊緣特征檢測，顯示其具有非常高的速度和噪聲魯棒性。

研究人員成功地對各種源圖像進行了邊緣特征檢測，包括復雜圖像（例如研究所的徽標）、機打數(shù)字和手寫數(shù)字（MNIST數(shù)據(jù)庫中的5000幅圖像）。如機打的“數(shù)字4”32? x ?32像素源圖像的邊緣檢測的結(jié)果所示，“數(shù)字4”的垂直邊緣由VCSEL神經(jīng)元識別（發(fā)射脈寬為100 ps的脈沖）。當在圖像中發(fā)現(xiàn)垂直邊緣特征時，“垂直”內(nèi)核會產(chǎn)生四個負輸入脈沖群，而對于所有其他像素特征，則會產(chǎn)生較小的輸入脈沖群。VCSEL神經(jīng)元整合這些時間復用脈沖的組合能量，僅當所有四個脈沖群均為負時（總能量超過脈沖觸發(fā)閾值）才會觸發(fā)脈沖，以檢測圖像中的垂直邊緣。對于所有其他情況，VCSEL神經(jīng)元保持靜止，因為編碼輸入脈沖群的組合能量沒有超過脈沖觸發(fā)閾值。
?

基于VCSEL神經(jīng)元的黑白圖像邊緣檢測

為了進一步測試該系統(tǒng)的能力，研究人員選擇了一幅更復雜的源圖像，即思克萊德大學（UoS）的323? × 323?像素RGB圖像。結(jié)果表明，所有水平線、垂直線和對角線均被識別，進一步說明圖像大小和復雜性均不會妨礙基于光子脈沖VCSEL的邊緣檢測系統(tǒng)的操作。重要的是，實現(xiàn)了96.63%的整體邊緣檢測精度。我們必須注意，每個像素的時間可以進一步減少到僅1ns（VCSEL神經(jīng)元的脈沖耐受時間），而無需任何額外的優(yōu)化過程，以實現(xiàn)更快的處理速度。
?

基于VCSEL神經(jīng)元的復雜的大尺寸圖像邊緣檢測

此外，研究人員還表明，基于VCSEL的神經(jīng)形態(tài)光子硬件系統(tǒng)的光學脈沖輸出可以饋送到軟件控制的SNN中，并成功實現(xiàn)了手寫數(shù)字圖像的識別。此外，這種方法使用價格低廉的商用VCSEL，其工作波長為1300nm，因此允許與光通信網(wǎng)絡和數(shù)據(jù)中心技術完全兼容。

基于集成和發(fā)射能力VCSEL神經(jīng)元的MNIST手寫數(shù)字邊緣檢測

研究人員還從理論上證明，具有更大維度（例如3? x 3）內(nèi)核VCSEL神經(jīng)元的運用對于實現(xiàn)更復雜的圖像特征提取也是可能的。這意味著，無論是SNN（例如該研究中軟件控制的SNN）還是針對特定特征的識別系統(tǒng)，VCSEL神經(jīng)元有可能實現(xiàn)進一步的卷積任務。總體而言，研究人員認為，人工脈沖VCSEL神經(jīng)元在未來高速、低能量、硬件友好的神經(jīng)形態(tài)光子平臺上顯示出巨大的潛力。

論文信息：
Robertson, J., Kirkland, P., Alanis, J.A. et al. Ultrafast neuromorphic photonic image processing with a VCSEL neuron. Sci Rep 12, 4874 (2022).
https://doi.org/10.1038/s41598-022-08703-1

編輯：黃飛