機器學習技術已廣泛應用于高性能信息處理領域，與此同時，在解決各類復雜任務時對于計算容量、計算速度以及能耗等的要求也越來越高。然而，現有硬件的計算速度受到傳統馮·諾依曼體系結構的嚴重限制，隨著計算過程所需時間的增長，計算效率將變得低下，能耗也會更大。近年來，光子方法在執行涉及復雜計算的深度學習過程方面顯示出了非凡潛力，國內外多家研究機構陸續提出了集成光子神經網絡的新架構，如基于馬赫增德爾干涉儀（MZI）、微環諧振腔（MRR）以及波分系統設計的光子神經網絡等。然而，現階段集成光子神經網絡普遍存在計算單元大規模拓展受限的問題，嚴重限制了計算容量的進一步提高。

圖1. 集成衍射光子神經網絡示意圖

清華大學電子系陳宏偉教授課題組提出了一種基于亞波長結構的集成衍射光子神經網絡（DONN），克服了空間衍射光子神經網絡的體積限制，不僅大大提高了計算單元的集成度，同時減少了由于龐大的體光學元件和系統校準而產生的誤差。對于其他集成光子神經網絡而言，DONN芯片擺脫了波導數目的制約，更容易實現計算單元的片上大規模拓展，從而解決了集成光子神經網絡的高計算容量問題。本研究中實現的DONN光計算芯片，其計算吞吐量可達1.38×104TOPS（TOPS：Trillions of operations per second，每秒萬億次操作），芯片算力密度可達1016FLOPS/mm2（FLOPS：Floating-point operations per second，每秒浮點操作數），能量消耗約為10-17J/FLOP（FLOP：Floating-point operation，浮點操作）。

該DONN芯片具有完全的國內自主知識產權，制備工藝也完全在國內實現，與標準互補金屬氧化物半導體（CMOS）工藝兼容，滿足大規模、低成本生產條件。 陳宏偉課題組系統性地完成了集成衍射光子神經網絡芯片的理論探索、仿真驗證、結構設計、版圖繪制、芯片加工、封裝以及系統誤差補償等全過程驗證。該成果將集成光子神經網絡芯片的實用性顯著提高，有望在一個芯片上實現多個DONN計算單元的集成，從而使得片上光計算系統具有更強的處理能力，這將大大推動集成光計算、光子智能等領域的快速發展。

圖2.DONN封裝實物圖、芯片結構及測試結果 該成果以“基于片上衍射光學的光子機器學習”（Photonic machine learning with on-chip diffractive optics）為題發表在《自然·通訊》（Nature Communications）上。 清華大學電子工程系2020級博士生符庭釗為文章的第一作者，陳宏偉教授為文章通訊作者。其他作者包括清華大學電子工程系陳明華教授和楊四剛副研究員等。本研究得到了國家重點研發計劃、國家自然科學基金重點項目等的支持。 論文鏈接：https://www.nature.com/articles/s41467-022-35772-7

審核編輯 ：李倩