导读

人工智能技术的飞速发展对现有计算体系的算力吞吐量、处理延迟和能效提出了极高要求。光子计算凭借其高带宽、低延迟、高并行性以及丰富的物理调控自由度等优势，被广泛视为解决未来超大规模算力需求的有力候选方案之一。主流光子计算加速器多围绕二维矩阵-向量乘法设计，当面对高阶张量乘加计算需求时，往往需要先在电子域中重排数据，依赖外部电子时钟完成多通道同步，带来额外存储、时间开销和系统复杂度，难以发挥出光子计算在超高主频下的计算潜力。

近日，上海交通大学集成电路学院、光子与通信全国重点实验室周林杰/陆梁军团队提出了一种集成光子三维张量处理引擎（3D-TPE）。该系统通过时间、波长和空间三重交织调制，在光域内完成数据缓存、通道同步和乘加计算，减少了高阶张量计算对电子存储、电子时钟和外围高速器件的依赖。研究团队在 10 GHz 至 30 GHz 时钟频率下验证了 3D-TPE 的处理能力，并在 20 GBaud 下完成 LiDAR 三维点云图像识别推理，识别准确率达到 97.06%。相关成果以 “Integrated photonic 3D tensor processing engine” 为题发表于《Light: Science & Applications》。

研究背景

深度学习推动了数据密集型任务的突破，但高阶张量信息处理带来的庞大计算量和存储需求，对硬件加速器提出了更严苛的要求。光子计算具有高带宽、低延迟和低功耗潜力，被认为是突破电子计算瓶颈的重要路线。现有多数光子计算方案主要面向二维矩阵-向量乘法。高阶张量需根据光子硬件规模在电域进行频繁的结构重塑与中间计算结果的缓存，引入了额外的计算开销、存储开销与时间延迟。其次，多通道数据的时序同步高度依赖外部电子时钟，缺乏在光域内直接进行数据缓存和时序对齐的能力。

研究亮点

研究团队提出面向三维卷积的集成光子 3D-TPE 架构（图1）。该架构由两个光存储单元（OMU）和一个光计算单元（OCU）组成，通过时间、波长和空间维度的交织调制，使高阶张量乘加计算可随输入数据在系统中流动而直接完成，在光域内实现了数据缓存、通道时钟同步与张量计算，并具备灵活的时钟频率适配能力。

图1：集成光子3D张量处理引擎：(a)传统2D MVM光子加速器与本文提出的3D-TPE对比；(b) 3D-TPE结构概念示意图

3D-TPE中的OCU 芯片基于双耦合微环谐振器（MRR），用于并行乘法计算（图2）。相比传统单微环权重单元，双耦合 MRR 权重单元具有更平坦的光谱响应和约 50 GHz 的 3 dB 光带宽，有助于降低高速符号率下的信号失真，并增强对激光波长漂移的鲁棒性。通过简单的查表法，即可实现任意权重组合下稳定超过7 bit的权重部署精度。

图2：基于3D双耦合微环光交叉阵列的光计算单元(OCU)：(a)芯片光学显微镜图；(b)权重单元；(c)光谱特性；(d) 权重调控；(e)权重电压映射曲线；(f-g)任意权重组合下的权重部署(f)实验与理论对比散点图以及(g)精度

3D-TPE中的OMU 芯片基于光可调延迟线（OTDL），用于光域内的数据缓存与通道时钟同步（图3b）。该八通道可调延迟线芯片的调谐分辨率为 4.93 ps，最大延迟时间达310.59 ps，延迟误差被严格控制在0.6 ps以内，使系统具备灵活的时钟调控能力。

图3：用于时钟频率调控的光缓存单元(OMU): (a) 实验装置图；(b)光缓存单元芯片光镜图；(c-d) 10 Gbaud 至 30 Gbaud 调制速率下的理论计算与实验(c)波形对比与(d)等效计算精度

研究团队完成了系统级验证。在 10 GHz 至 30 GHz 时钟频率范围内，3D-TPE 展示了四通道矩阵乘法处理能力（图3c,d）。在概念验证实验中，系统以 20 GBaud 调制速率执行 LiDAR 三维点云图像二分类任务（图4），实验识别准确率达到 97.06%，与数字计算结果相当。

图4激光雷达3D点云图像推理任务：(a) CNN架构；(b-d) 数字计算与光计算实验结果对比(b)不同角度下的点云特征图对比，(c) 特征图波形对比以及(d)识别混淆矩阵对比。

总结与展望

该研究面向高阶张量乘加计算提出了一种新的集成光子处理路径， 通过将数据缓存、通道时钟同步任务从电域移至光域，进一步降低了光子计算系统对外部高速电子调控的需求，充分发挥了光在高速、高并行度计算中的优势。该集成光子三维张量处理引擎在自动驾驶、实时视频分析等领域具有重要应用前景。（来源：LightScienceApplications微信公众号）

相关论文信息：https://doi.org/10.1038/s41377-026-02183-y