清华大学在感前光学计算领域取得进展

        在物联网时代，视觉图像传感器作为智能社会的关键设备，被嵌入到诸如移动通信终端、智能穿戴设备、汽车和工业机器等各种设备中。随着应用的不断扩展，对传感器的系统功耗、响应速度、安全性能等方面也提出了更高的要求。而在传统的“感传算”链路中，内存的访问速度和通信带宽逐渐成为了限制系统功耗及速度的主要瓶颈。将计算单元向传感单元靠近，使系统的近传感端拥有一定的数据处理能力，逐渐成为解决这一问题的有力途径。感前光计算相比于其他近感计算方式，具有高速、高带宽、低功耗的优势。然而，目前绝大部分光神经网络需要相干激光作为光源，硬件系统笨重复杂，且仅能完成线性运算，缺乏层间非线性激活，限制了感前光计算在边缘场景的应用。

        图1.机器视觉链路中近传感器计算范式

       清华大学电子工程系陈宏伟教授团队提出了一种紧凑的无源多层光学神经网络（MONN）架构，该架构由无源掩模版与量子点薄膜组成，完成非相干光照明下具有层间非线性激活的多层光学计算。该架构的光学长度短至5毫米，相比现有的基于透镜的光学神经网络小2个数量级。实验证明，该多层运算架构在各种视觉任务的性能上优于线性单层运算，最高可将95%的计算从电域转移到光域进行。该架构具有小体积、低功耗、高实用性的优势，未来有望部署在自动驾驶、智能制造、虚拟现实等移动视觉场景。

       图2.多层感前光学神经网络架构及层间非线性激活函数测量

       同时，CdSe量子点的吸收和发射光谱在波长范围内呈现重叠。通过设计可将前后量子点的吸收和激发光谱对齐，实现级联及现有三层架构向更多层数的扩展。感前MONN架构也可与其他近感计算范式结合，完成复杂计算功能。

       近日，相关研究成果以“基于紧凑多层光学神经网络的感前计算”（Pre-sensor Computing with Compact Multi-layer Optical Neural Network）为题，发表于《科学进展》（Science Advances）。清华大学电子工程系为论文的第一单位，陈宏伟为论文的通讯作者，电子系2020级博士生黄铮为论文的第一作者。研究得到国家自然科学基金委及北京市科委的支持。

来源：光行天下