https://mp.weixin.qq.com/s/of-iX758lo4_wc3FChwpYA随着5G技术的普及和大数据时代来临，人类现行数据网络正在面临更加严苛的计算挑战，呈现爆炸式增长态势的信息流也使得电子计算系统受到了严重的冲击。在海量计算数据处理需求的驱动下，全新高速计算系统的研制方案成为了学界和产业界共同关注的问题。

传统电子计算系统需要依靠大规模电子元件阵列来构建，而电子元件的尺寸和性能也将影响系统的实际表现。由于原子效应的存在，目前对晶体管体积的压缩已极其接近物理极限。在触及到性能优化的“天花板”后，电子计算系统的高速数据处理能力，开始显得捉襟见肘。

为了提升数据处理系统的运行速度和计算效率，研究人员开始研发各种不同的新技术。其中，量子计算和光子计算系统是最受关注，也最具应用潜质的研究课题。量子计算系统拥有提升并行性数据处理的能力，但由于其运行物理机制的限制，目前只能在极端低温的环境下运行；而光子计算系统，正在以更低的能耗、更高的计算速率以及更优的运行成本，成为研究人员关注的重点。

在过去的50年中，全光模拟的技术方案让人们看到了解决大规模实时并行计算难题的希望。与电子系统中高低电平所代表“1”、“0”位运算不同，光的相位、振幅以及偏振等参量均可用于数字符号的表征。全光模拟计算无需依靠大体积的光学元件，是一种兼具高通量、低功耗以及小型化等特色优势的理想技术。

为了将全光计算的理论优势充分发挥出来，研究人员对光学计算系统建设所需依靠的基质进行了探索。在科学界的共同努力下，最终发现了超材料(Ma­t­e­m­a­t­e­r­i­a­ls)这匹“黑马”，其具备多波长、高保真以及多功能的物质基础，能够很好地适配全光计算系统，并且拥有微型化发展潜质。基于超材料的全光计算系统，将在片上光检测、激光雷达、生物成像以及大数据预处理等领域产生革命性的影响。韩国浦项科技大学Ju­n­s­uk Rho教授领衔撰写的综述文章，从基于超材料的全光计算和机器学习系统出发，系统性地介绍了近年来超材料在光计算领域的发展历程。

超材料大幅提升计算系统性能

全光网络的构建基于严密的数学推导。数学模型告诉我们：超材料能够很好地实现某些特殊函数关系，而且并不会像传统光学计算一样，引入额外的硬件需求，因此确保了系统体积可进一步缩小。超材料选择设计的一般方法为在傅里叶空间中直接求解出系统所需的传递函数，并选择相应的超材料，这样可以避免实空间和傅里叶空间的频繁切换，进而确保计算的简洁性和准确性。

在建立理论框架的基础上，物理模型可以更好地展示超材料在全光计算中的作用。文章将超材料分为静态超材料与可调谐多路复用超材料两个大类。其中，静态超材料描述了诸如单层及多层、等离子体结构以及全介电结构等不同结构材料在全光计算中的实际作用。图2展示了近年来国际前沿的研究成果，包括超材料在边缘图像检测、平面光学检测以及高性能光学计算等方向的巨大潜质。

作为超表面的关键优势之一，多路响应的单装置复用集成也备受研究人员关注。在多路响应复用系统中，系统对入射信号的响应，会根据入射光的偏振、波长以及入射角度等参数产生不同的变化，这种优势也是传统光学计算器件所不具备的。未来的研究方向将有望向可调谐多路响应复用发展。

超材料在高性能全光机器学习系统中的应用

除了全光计算系统，超材料同样也在全光机器学习领域中大显身手。近年来，超材料被研究人员广泛应用于正向建模和逆向设计的研究中，并取得了众多优秀的研究成果。随着系统对数据处理速率要求不断提升，超材料也被直接应用于神经网络的单元设计中，用于光速处理信息。此外，超材料也被证明具有光场调控的能力，进而能够较好地执行全光矩阵计算任务；这种能力同样也是机器学习领域所亟需的，并直接助力全光神经网络(ONN)的高效搭建。

图3通过与人工神经网络(ANN)的数值对比，来说明ONN的运行原理。ANN工作过程中，最复杂的当属多矩阵相乘的运算，这个过程相对会消耗最多的时间和能量，但ONN却能以光速进行矩阵计算；此外，ONN也能够较为便利地实现一些非线性的运算过程。级联超表面的引入，改变了传统ONN中需要特殊光学元件才能实现非线性计算的定律，使ONN的非线性激活函数变得更加易于调控。

如今基于超材料的ONN已经被广泛应用于各类不同的研究环境，但应用最多的，仍然是图像分类方面的任务。目前基于超材料和超表面的ONN仍然存在一些技术方面的挑战，例如由于超表面对光有一定的吸收作用，光的强度会在穿过超表面后有所降低，这便限制了多层复杂网络结构ONN的构建。

可编程超表面增加了ONN对于实际应用环境的适应性，使得使用人员能够根据实际需求对网络参数进行精准调整，既降低了光路调整的复杂度，又能够提升ONN的运算效率，是一种极具发展前景的前沿技术。

相关标签：