MIT基于相干VCSEL的深度学习神经网络与PhotoCAD实践

  摘要

  训练复杂的AI模型需要大量计算资源而消耗大量能源。MIT使用垂直腔面发射激光器(VCSEL)阵列实现的光学神经网络，提供了高效的机器学习的硬件方法。本文概述了VCSEL以及它们如何实现集成的纳米光子电路，这种电路经过优化可以进行神经网络计算。尽管制造和集成方面的挑战还很多，基于VCSEL的处理器在从数据中心到边缘设备等各种应用中,可将能效提升至100倍以上，从而突破了AI基础设施的局限性。本文也介绍如何使用PhotoCAD的参数化单元格和阵列功能高效地设计VCSEL版图。

  简介

  近年来，深度神经网络在计算机视觉、自然语言处理和语音识别等领域取得重大突破。但是，目前最先进的神经网络模型需要大规模的计算能力，这已经逼近了数据中心级基础设施的极限。随着AI模型日益复杂，对算力的巨大需求制约了其实用能力。

  针对机器学习工作负载进行优化的专用硬件，提供了使AI更加可持续的途径。长期以来，人们提出使用光而不是电流实现高效AI硬件的光子神经网络，计算效率可以得到大幅提升。但是大多数光子架构在可扩展性、集成密度和芯片一体化方面存在挑战。

  垂直腔面发射激光器(VCSEL)的出现，为集成高效的光学神经网络设计提供了可行的途径。通过定制化工程, VCSEL 阵列可以实现针对神经网络进行优化的低功率光矩阵乘法、激活和反向传播。本文引述文献阐述了VCSEL如何在从数据中心到终端设备等各种计算平台中实现AI硬件的革命性进步[1]。

  VCSEL提高ONN效率的优势

  VCSEL是一种使用特殊镜面结构的半导体激光器，可以从芯片表面垂直发射光线。这使其可以轻松地在同一晶圆上与电子器件和纳米光子组件无缝集成。VCSEL可以使用标准的光刻技术制成高密度的阵列。

  这些特性使VCSEL成为集成ONN的理想基础模块。每个低功率VCSEL提供一个独立的光学信道，支持成千上万个并行的光子连接。芯片内波导和光检测器完成了全光数据流，保持计算在光学域中进行。

  VCSEL阵列与集成光子学的结合，可以实现对关键的神经网络操作如矩阵乘法的大规模加速,其性能远超数字芯片。VCSEL等光学组件本身就具有模型神经网络激活所需的非线性。它们基于物理的优势完全匹配了深度学习的需求。

  通过最小化高能耗的光电转换，基于VCSEL的ONN终于释放了光计算在AI领域的潜力。实验已经证明，相比数字硬件，使用VCSEL光子处理器来运行机器学习任务可以提高超过100倍的能效。

  神经网络设计的创新

  为了充分发挥VCSEL的优势，MIT的研究人员开创了针对光子约束进行优化的ONN架构。

  一个关键的创新是将每个VCSEL分配给一个神经网络神经元。VCSEL的发光编码了每个神经元状态,光学信号在波导中传播。然后光检测器阵列同时接收来自所有VCSEL的组合光信号,在层与层之间进行大规模并行的光子矩阵乘法。

  VCSEL的战略分组还利用光学干涉实现了激活函数。使用专门的光子电路同样可以实现反向传播等训练技术。这些创新总和起来构成了专门为神经网络工作负载进行效率最大化优化的定制VCSEL-ONN处理器。

  其结果是一个使用光加速整个神经网络计算流水线的集成系统。这证明了基于VCSEL的ONN对AI基础设施具有变革性的潜力。

  商业化展望

  由于VCSEL阵列的制造性，专门用于机器学习的VCSEL-ONN芯片在资金充足的情况下，有望几年内实现商业规模，这将是AI硬件划时代的关键时刻。

  随着VCSEL生产规模的扩大，光子神经网络处理器有望彻底改变各种环境下的机器学习:

  数据中心可以在当前能耗限制下大规模扩展计算力，训练更大的模型。

  手机等边缘设备可以本地运行强大的AI算法，而不会耗尽电池。

  经优化的VCSEL-ONN协处理器可以加速车辆、机器人等平台上的AI。

  高效的光学AI芯片组有助于普及机器学习的应用。

  要实现这一愿景，需要解决 VCSEL提升集成密度、降低成本以及与其他新兴硬件竞争等挑战。但是VCSEL-ONN革命性的为以光为动力运行AI提供了最可行的途径。

  使用PhotoCAD版图工具轻松高效设计VCSEL芯片

  4个步骤，利用PhotoCAD的参数化单元格和阵列实现高效的VCSEL版图:

  1. 定义VCSEL单元格几何形状和规则

  2. 创建所需的网格图案阵列

  3. 如果需要可添加随机扰动

  4. 生成版图GDS文件

  结论

  VCSEL有望通过为神经网络工作负载带来超高效率的集成纳米光子处理器来改变AI。通过定制化工程，VCSEL终于能够释放光计算在新一代智能领域的潜力。尽管这项技术仍需不断成熟与商业化，基于VCSEL的光学神经网络指向了在各种计算平台上实用、高效、无所不在的AI。专门构建的光子硬件将突破限制，实现更强大和丰富的智能系统。

  利用PhotoCAD参数化单元格和自动化阵列生成功能, 可以大幅提升VCSEL芯片设计的效率。PhotoCAD支持构建可定制的VCSEL单元格，支持多种阵列排布，并集成DRC以及数据准备功能，使芯片设计从概念到制造端到端贯穿。

  参考文献

  [1] Chen, Z., Sludds, A., Davis, R. et al. Deep learning with coherent VCSEL neural networks. Nat. Photon. 17, 723–730 (2023). https://doi.org/10.1038/s41566-023-01233-w