在人工神经网络中，张量作为多维数组，在数据结构中扮演着核心角色。近年来，随着深度学习领域的蓬勃发展和生成式人工智能技术的兴起，神经网络模型的复杂度持续攀升，模型参数量更是呈现出爆炸式的增长态势。然而，面对庞大的张量计算需求，传统的存储和处理分立的电子计算硬件面临计算延迟大、功耗高等问题，从而成为了制约人工智能领域快速进步的一大瓶颈。

光计算作为一种新兴的计算技术，具有大带宽、低延迟、低功耗等独特优势，展现出克服传统电子计算瓶颈的巨大潜力，为未来的高性能计算提供了全新的解决方案。传统的光计算架构往往依赖于光学元件阵列（如马赫曾德尔干涉仪阵列或者微环谐振器阵列等）来执行矩阵和张量计算，存在算力密度低、调控复杂等问题，从而极大限制了光计算的算力性能。此外，高速光计算与低速电计算之间存在严重的速度失配问题，并且需要使用高速模数/数模转换器进行数据转换，从而带来严重的功耗问题。

中国科学院半导体研究所李明研究员团队提出了一种新型的光学张量处理单元（OTPU，图1），该OTPU使用无需热调谐的微环谐振器作为核心单元，基于波分复用技术通过波长调谐和调制器偏置点改变实现实数域权重调整，实现了34.04 TOPS/mm²的超高算力密度（图2），为高算力光计算实现探索了一种全新的技术路径。该方案通过引入光波/微波多域复用技术有效扩展了数据输入维度，从而实现光学张量运算，提高了信息访问的灵活度，降低了对高速模数/数模转换器的依赖。该研究成果展示了光计算在高性能、高维数据处理方面的巨大潜力，为人工智能和数据科学中的张量计算提供了一种全新的解决方案。

图1 光学张量处理单元

图2 处理单元实物图（a）及显微镜照片（b）

相关成果以“High-integrated photonic tensor core utilizing high-dimensional lightwave and microwave multidomain multiplexing”为题在《光：科学与应用》（Light: Science & Applications）上发表。半导体所李明研究员、石暖暖副研究员为共同通讯作者，孟祥彦博士后为第一作者。

该工作得到国家自然科学基金、中国科学院青年创新促进会、中国科学院国际合作项目和北京市自然科学基金资助。

论文链接：https://doi.org/10.1038/s41377-024-01706-9