基于光子学的机器学习系统在通信中的应用探索

近年来，拥有巨大应用前景的人工智能技术（Artificial Intelligence, AI）受到学术界和产业界的极大关注。以“人工神经网络”（Artificial Neural Network）为代表的“深度学习”算法（Deep Learning）在图像识别、语言翻译、智能决策等方面展现出强大的计算能力，成为目前AI技术最为常用的核心算法之一[1]。举一个著名的例子，前不久Google公司研发的AlphaGo先后以压倒性优势击败了李世石和柯洁这两位人类顶尖的围棋高手，其近乎完美的下棋策略正是基于以深度神经网络为核心的人工智能算法。

图 人机对弈（来源于网络）

从本质上说，神经网络算法实际上就是通过模拟人的逻辑思维方式、运用极其复杂的多层神经网络对大量数据进行分类、决策等操作。目前，要实现这一复杂体系的高速运算，人们往往需要借助高性能电子计算机。当前，业界普遍采用的计算机中央处理器CPU包括图形处理器GPU、专用集成电路ASIC和现场可编程门阵列FPGA，包括IBM的TrueNorth和Google的TPU。如果想进一步提高计算性能，就需要CPU具有更快的主频、更大的内存以及并行计算功能，这也使得现已经接近物理极限的10nm工艺芯片很难在性能上出现质的飞跃。

 图 AlphaGo Zero强化学习下的神经网络算法（来源于网络）

于是，人们渐渐将目光转到了光子芯片领域。从原理上来说，利用“光”实现神经网络计算具有以下几个得天独厚的优势：

（1）算法中的线性变换（和某些非线性变换）可以直接以光速运行，有望实现超构100GHz的计算速率，远高于目前市面上约2.5GHz的电子CPU；

（2）光学器件的功耗极低，并且神经网络一旦经过训练，该架构可以完全是无源器件，能够在没有额外能量输入的情况下对光信号进行计算；

（3）神经网络算法对光学非线性要求较弱，而现有的光学非线性效应就可以实现常规的非线性操作。

即便如此，由于深度神经网络需要极高的相位稳定性和大量的神经元，使用体积较大的分立光学元件不足以实现多层神经网络的构建，微米/纳米级的集成光子学器件则可以解决这一问题。目前，人们已经开始从理论和实验上研究“光子-电子”混合系统和全光学神经网络（Optical Neural Network, ONN），并基于简单的ONN器件实现了超过常规电子GPU性能的计算处理能力[2]。毋庸置疑，基于光子集成的深度学习方法将很有可能在未来的人工智能浪潮中占据重要地位。

近日，来自西班牙巴利阿里群岛大学的研究人员介绍了一种简化的光子机器学习方案（photonic machine learning implementation），证明系统的比特误差率（bit-error-rate）提高了两个数量级，并可将通信范围的扩展超过75％，可应用于光纤长程传输后对严重失真光信号的数据分类，相关工作以“Photonic machine learning implementation for signal recovery in optical communications”为题发表在近期的《Scientific Reports》上。

在高速通信领域，水库计算（Reservoir Computing, RC）可以为扩展光纤传输中失真信号的数据恢复（data recovery）问题提供解决方案[3]。如图1a所示，RC架构主要分为3个部分：输入（input）、水库（reservoir）和输出（output）层。其中输入信息是由一个比特持续时间内的多个采样构成的一维数据向量；水库层是一种类比于生物脑中的神经元网络，具有随机连接非线性节点的递归网络，它的作用是对输入信号进行非线性变换，同时将输入映射到高维状态空间；输出层则将水库的数据进行读出。在本文的水库层，作者创新性地引入了由半导体激光器（semiconductor laser, SL）组成的光子拓扑结构（photonic topology），通过设计时间延迟τ的反馈来控制强度和携带输入信息的外部光学注入（图1b），同时引入random mask矩阵来简化输入和水库所需处理的数据向量（data vector），从而在简化模型的基础上依然能够具有较好的信号处理性能。为了显示这一简化设计的优势，作者还分别考虑了不加mask（图1c）和直接输出（图1d）的系统。

图1 用于恢复光通信失真信号的光子机器学习系统的架构示意图

研究人员基于最简化的实验系统，设计出了如图2a所示的光子RC系统。该系统是由1542nm的离散模式量子阱半导体激光器和光纤延迟回路（τ= 66.000±0.025ns）组成，激光器从光纤回路中接收延迟的反馈，其它则是一些诸如光衰减器、耦合器、环形器和偏振控制器等商用光纤组件，从而构成了这套光子机器学习系统的核心模块。相比于传统计算架构，这一简化的系统可以在仅使用原先1/20的虚拟节点的基础上，同样获得80GSa/s数据的信噪比提升效果（图2d&e）。

图2 光子reservoir的实验装置和操作 （a）实验系统示意图；（b）具有10位输入比特流的示例图；（c）Mask图形；（d）20GSa/s和（e）80GSa/s的任意波形经RC后处理后得到了的数据信号

研究人员将这套架构应用于长距离光纤通信中的数据恢复中，用以解决误码率（bit-error-rate, BER）过高的问题。从图3的RC神经元网络训练的结果可以看出，随着用于训练的比特数的增加，BER有着显著的降低；并且，与传统计算架构相比，RC架构在同等训练次数下具有更低的误码率。这些结果显示出简化的光子RC架构在降低误码率方面具有一定的优势。

图3 通过训练实验性实施的光子RC系统的信号恢复性能 （a）用于训练的比特数量与相应比特时间帧相关联的示意图；（b）短距离通信系统以及（c）长途传输系统中不同方案的BER性能与用于训练的比特数关系

该优势在不同传输距离的光纤通信系统的实验结果中也可以得到证实。在图4所示的短距离传输方案（short-reach transmission scheme）中，RC方案获得了相对于基准测试几乎两个数量级的BER提升。相对于分类传输输出（classifying the transmission output）和未经任何处理的直接检测，使用RC后处理所得到的传输距离增益分别为75.9％和200％。同时，在50公里短距离通信系统中的模拟结果也表明，尽管我们在考虑基于RC的检测时付出了5.8 dB的功率代价，但这种方法在减轻线性和非线性传输现象方面依然具有同等的误码率（图5），显示出光子RC后处理在数据恢复方面的强大性能优势和应用前景。

图4 短距离通信系统中误码率BER对光纤传输距离的依赖性

图5 在50km的短距离通信系统中误码率与接收光功率依赖关系的模拟结果

总结与应用

本文基于光子RC的硬件平台，可以高效地处理遭受确定性传输损伤的光纤传输信号。这里所采用的处理概念是通用的，并且可以应用于各种情境下地模式识别任务。在通信系统中，它可以扩展到具有更高比特率的先进调制格式的传输系统，也可以应用于具有正交调制格式或相干接收装置的传输系统。基于这一概念，可以将相位空间中的编码信息较为便捷地转换为振幅信号，并作为微波调制信号反馈至光子RC系统中，其相位和偏振信息也将不受干扰。

但就目前而言，究竟多大程度上能够实现光子机器学习的非线性转换和衰落记忆，以及提供更好的检测能力仍是一个悬而未决的问题，多层神经网络的复杂程度也将成为制约相关应用的关键问题。在未来的实际应用中，基于光子集成技术的机器学习系统将会因更小的尺寸而获得更快的数据处理速率，有望成为替代现有电子计算机的解决方案。

文章链接：Apostolos Argyris, Julián Bueno & Ingo Fischer, Photonic machine learning implementation for signal recovery in optical communications, Scientific Reportsvolume 8, Article number: 8487 (2018).

作者：颜学俊

责编：Jane Chou

参考文献：

[1] LeCun, Y., Bengio, Y. & Hinton, G. Deep learning. Nature 521, 436–444 (2015).

[2] Shen, Y. et al. Deep learning with coherent nanophotonic circuits. Nat. Phot. 11, 441–446 (2017).

[3] Jaeger, H. & Haas, H. Harnessing non-linearity: predicting chaotic systems and saving energy in wireless communication. Science 304, 78–80 (2004).