综述

极化激元又称为量子液体光，由于其半光半物质的性质，表现出极强的非线性光学性质。本工作研究人员通过将信息光学拓印在极化激元神经形态网络，并在数百皮秒的时间尺度上进行信号处理，开发了能够进行图像和声音识别的超快神经形态系统的极化激元神经元。该系统在手写数字和语音命令识别等任务中优于现有的基于光学实现的的神经形态网络，拥有更高的分类精度。

研究背景

人工神经网络（Artificial Neural Network, ANN）已经飙升到技术创新的前沿，吸引了大量的行业领导者和青年爱好者。这些复杂的系统在模式识别、决策和复杂数据分析等任务中表现出色，推动了从医疗保健到自主机器人等领域的进步。然而，当ANN部署在遵循传统冯·诺伊曼架构的传统计算机上时，它们会遇到很大的局限性。处理单元和内存块之间的固有分离造成了瓶颈，限制了数据吞吐量并增加了能耗。这种架构限制了神经网络的全部潜力，使得寻找替代硬件解决方案比以往任何时候都更加紧迫。新兴的物理平台通过新技术提供了更高的速度、能效和可扩展性，旨在克服传统障碍，释放ANN的全部潜力，以实现更强大、更高效的人工智能应用。

2024年诺贝尔物理学奖授予了John Hopfield和Geoffrey Hinton，以表彰他们对神经网络和机器学习的关键贡献。约翰·霍普菲尔德也因其在极化激元物理学方面的开创性工作而闻名。21世纪极化物质的巨大进步现在为基于半导体微腔中激光泵浦产生的液滴阵列构建神经形态结构提供了机会。

创新内容

在《Light Science & Application》上以"Polariton lattices as binarized neuromorphic networks"为题发表的一篇新论文中，俄罗斯莫斯科物理技术研究所阿布里科索夫理论物理中心的Evgeny Sedov教授和Alexey Kavokin教授从理论上开发了一种新型的神经形态网络架构。这些网络的构建块是激子极化激元（简称极化激元）的玻色子凝聚体，它们是从光子和激子的强耦合中产生的准粒子。激子是半导体中的晶体元激发。极化激元由于其在物质中的高群速度、流动特性、光的内在相干性和易与外部场发生相互作用的高敏感性而被称为量子液体光。在特定条件下，它们形成玻色-爱因斯坦凝聚体的相干量子态。通过附近的外部激光泵浦激发，一对极化激元凝聚体（或极化激元液滴）构成极化激元二元体。在每个二元体中，液滴通过极化激元交换相互作用，产生一种干涉图案，其特征是它们之间极化激元场强的最小值和最大值交替出现。通过引入额外的激光脉冲作为输入信号，可以改变这种干涉图案的奇偶性，有效地在最大值和最小值之间切换二元体的中心区域。该区域中极化激元光致发光的强度作为二元体的输出信号。这些液态光二元体排列成格点形状，充当人工神经元，构成了基于极化激元的神经形态网络的计算层。

本工作所提出的架构属于二进制神经网络（BNN）的范畴，其中神经元使用二进制输入数据进行操作并产生二进制输出信号。与使用连续权重和激活的传统神经网络不同，BNN提供了更高的处理速度和更少的内存使用。这种简化可能会降低功耗并增强可扩展性，使BNN特别适合硬件实现。在速度、能效和最小资源使用优先于最大精度的情况下，极化激元BNN在物联网、边缘计算和其他需要自主性且资源有限的环境中的应用中具有前景广阔。

作者展示了基于极化激元的神经形态网络在两项关键任务上的能力，展示了其有效性和多功能性。首先，他们将该网络应用于手写数字识别的MNIST数据集，在那里它超越了现有的基于极化激元的二值化实现，达到了97.5%的高准确率。这种性能突显了其架构在模式识别应用中的优越性。其次，为了评估其网络在不同数据类型之间的适应性和泛化能力，他们将其应用于语音命令数据集进行口语识别。在这项任务中，该网络的表现优于基于隐马尔可夫模型和高斯混合模型的传统线性分类器和基准测试，证明了其处理复杂和各种输入数据的优越能力。这些结果强调了所提出的神经形态架构在先进人工智能技术中的强大性能和广泛适用性。（来源：LightScienceApplications微信公众号）

图1. 二元极化激元神经形态网络的工作原理。

a，二元极化激元神经网络的概念图。初始数据被数字化和二值化，形成输入信号。输入信号用作输入光信号的图案（蓝色锥体）。然后，这些信号激活计算层内的人工神经元，产生最终的光输出信号（红色箭头）。输出通过线性分类器进行处理。计算层由一个极化激元并矢晶格和一对相互作用的极化激元凝聚体组成，它们在半导体光学微腔的平面内被光学激发。二元体通过潜在的屏障（灰色）相互隔离，以减少相互影响。b、 本研究中手写数字识别和口语识别任务的说明。c、 极化二元体作为人工神经元发挥作用的图示，显示偶数（ON）和奇数（OFF）干扰模式。

相关论文信息：https://doi.org/10.1038/s41377-024-01719-4