近日，清华大学SIGS耿子涵团队联合鹏城实验室在光子计算硬件领域取得重要进展，相关成果以《Cascaded Micro-Ring Resonators for Low-Crosstalk High-Density Photonic Convolutional Computing》为题发表于光学顶级国际期刊Laser & Photonics Reviews（2025, DOI: 10.1002/lpor.202401874），并被选为当期封面文章之一(Laser Photonics Rev. 19(16)/2025)。该研究提出一种基于级联微环谐振器的光电神经网络架构，通过器件结构创新与系统级设计，在频谱效率、计算精度及能耗性能上实现显著提升，为高密度光电计算芯片的研发提供了重要技术路径。
关键词：微环谐振器；光子神经网络；光计算
光子计算硬件的挑战与机遇
随着人工智能算法复杂度的持续提升，传统电子计算架构在算力密度与能效上面临瓶颈。光子神经网络凭借光信号的并行处理能力与低功耗特性，成为突破算力极限的重要方向。基于微环谐振器的光子神经网络因紧凑的片上集成优势备受关注，但其性能受限于单环结构的消光比不足、通道串扰及负权重操作实现困难等问题。如何在有限光谱资源下提升频谱密度并实现高精度计算，是当前领域的核心挑战。
核心创新：级联微环谐振器及正负加权架构
团队提出的级联微环谐振器架构（图1）通过两级环形波导的级联耦合，构建了具有高消光比与窄带宽特性的加权单元。理论分析与实验结果表明，该结构可实现55 dB 的消光比与0.17 nm 的 3dB 带宽。在频谱复用性能上，可将相邻通道的无串扰间隔从单环所需的 2.4 nm 压缩至 0.4 nm，使频谱密度提升6 倍，为高密度波分复用计算系统提供了关键支撑。
图1. 基于级联微环谐振器的光电神经网络架构示意图
在信号处理层面，团队通过电光强度调制器的正负正交点偏置技术与光电探测器后级直流阻断电路，实现了基于单个探测器的正负权重操作，解决了光强非负性导致的神经网络权重表示难题（图2）。该方案无需依赖传统平衡探测器的对称光路设计，在降低系统复杂度与成本的同时提升了权重调谐范围。
图2. 实验装置及正负加权原理示意图
性能验证：高精度计算与高效训练的双重优势
实验基于标准绝缘体上硅平台制备了多通道级联微环谐振器芯片，在 20 Gbaud 调制速率下实现了2.48 TOPS/mm² 的计算密度，优于多数现有基于微环的光电神经网络方案。在图像处理任务验证中，首先针对医学图像细胞数据集任务，通过级联微环辅助的光子边缘提取模块与ResNet-101 网络结合，实现了96%的分类准确率，与纯数字计算方案精度一致。此外，在手写数字识别数据集上，含光子卷积层的 CNN 模型识别准确率达95%，与传统电子卷积层性能相当。利用级联微环透射曲线的陡峭非线性特性作为神经网络激活函数时，网络训练收敛速度较单环非线性激活函数有明显提升，且训练准确率达95.23%，高于单环的93.5%（图3）。
图3. 级联环型谐振器作为非线性激活函数的神经网络训练对比实验
该研究通过器件结构创新与系统级协同设计，突破传统微环谐振器在光电神经网络中的性能瓶颈，为光学计算硬件提供了从线性运算到非线性处理的全新设计思路。该架构与光域权重表示方法的结合，不仅提升了频谱效率与计算精度，更展现了光子器件与神经计算深度融合的潜力，为高密度光电计算芯片提供了有潜力的解决方案。
未来，相关技术可进一步结合片上集成、高速电光调制及先进封装技术，构建更高密度、更低功耗的光子卷积芯片。在边缘 AI、生物医学影像处理、高性能计算等对算力效率要求严苛的场景中，该技术可发挥光信号并行处理的天然优势，助力突破传统电子架构的能耗与带宽瓶颈。探索器件级物理效应与深度学习算法的协同优化，构建自适应光子神经计算系统，将为“后摩尔时代”算力架构创新提供关键支撑。
论文链接：
https://onlinelibrary.wiley.com/doi/10.1002/lpor.202401874
撰稿|课题组
