导读：

近日，华中科技大学武汉光电国家研究中心张新亮、董建绩教授团队，将人工智能技术和可编程光信号处理芯片相结合，实现了具有学习能力的自配置可编程光信号处理器。相关研究工作近期以“Self-Configuring and Reconfigurable Silicon Photonic Signal Processor”为题，发表于《ACS Photonics》上。该研究工作分别展示了光开关、光学解扰器、可调滤波器等功能，所有功能都可以通过网络训练自动完成，且无需了解芯片内部构造。该团队前期还用类似的芯片实现了光学矩阵运算、谷歌网页排名算法和通用光学偏振处理芯片，这些工作有望推动可编程光信号处理芯片的自动化和智能化发展。

研究背景：

可编程光信号处理器可以用一个芯片实现多种功能，有效地降低成本，增强芯片的通用性和灵活性，已经广泛应用于各个领域，例如模拟光计算、可调光学滤波器等等。但是随着芯片功能的增强以及芯片规模的扩大，根据用户特定需求配置芯片功能的难度急剧增大，传统的手动调节方法已不再适用，如何自动配置这些功能是可编程光信号处理器的一个技术难点。目前已经开发了一些自配置的方法，例如通过内置功率监视器的反馈信息来配置功能，或者直接解析计算芯片的内部结构来计算理论参数。很明显，监视器数量会随着网络规模扩大急剧地增长，这无疑增加了芯片的制作成本和功耗，同时解析计算依赖于芯片网络的制作容差，且这些方法都需要详细了解芯片的内部结构，缺乏智能性。现急需开发一种自配置的、具有学习能力的可编程光信号处理器，使得芯片可以被当作“黑盒子”使用。近些年，随着人工智能和光学的融合发展，使得智能化的可编程光信号处理器成为可能。

创新研究：

研究团队借鉴人工神经网络结构和其学习思想，开发了两款具有学习能力的可编程光信号处理芯片。芯片显微镜图和实物图如图1（a）和1（b）所示，分别是一个4端口的通用线性网络和2端口的偏振处理芯片。通过梯度下降方法可以训练芯片实现期望的功能，且芯片可以当作一个黑盒子，无需知道内部信息。我们首先用图1（a）中的芯片实现了光学通用矩阵运算，能够完成基本的矩阵计算，包括XB=C、AB=X和AX=C，其中A、B、C为已知矩阵，X为待求解参数，并首次通过该芯片用光学方法验证了PageRank算法（一种谷歌网页排名算法）。图1（c）展示了矩阵运算器加载传输矩阵的训练过程。它提供了一种高速的、低能耗的矩阵计算和PageRank算法的光子加速器。近期，团队又将4端口的通用线性网络用于光信号处理，可以通过学习方法实现多通道光开关、MIMO解扰器、可调滤波器等光信号处理功能，图2分别给出了三个功能的实验演示示例。团队还将该思想用于偏振处理器，可完成偏振解扰器、偏振控制器和偏振分析仪等功能，通过使用额外的二维输出光栅可以实现更多的功能，实现了多功能一体化（All-in-one）的偏振处理芯片。这些工作表明，人工智能算法在芯片级可重构和可编程的光计算以及偏振处理器方面具有巨大的潜力。

图文速览：

图1：(a)4端口通用线性网络。(b)偏振处理芯片。（c）矩阵计算器实验演示示例。

图2：光信号处理器实验结果展示。（a）多通道光开关。（b）MIMO解扰器。（c）可调滤波器。

总结

该研究工作为片上大规模可重构光子器件的自动化和智能化发展提供了思路，在微波光子学、数字光计算、光学信号处理等领域有着重要的应用前景。周海龙和赵雨赫博士为该文章的共同第一作者，董建绩教授为该论文的通讯作者。项目获得国家重点研发项目、国家自然科学基金项目等资助。

文章链接

[1] H. Zhou, Y. Zhao, X. Wang, D. Gao, J. Dong, and X. Zhang, "Self-Configuring and Reconfigurable Silicon Photonic Signal Processor," ACS Photonics 7, 792-799 (2020).

[2] H. Zhou, Y. Zhao, G. Xu, X. Wang, Z. Tan, J. Dong, and X. Zhang, "Chip-Scale Optical Matrix Computation for PageRank Algorithm," IEEE Journal of Selected Topics in Quantum Electronics 26, 1-10 (2020).

[3] H. L. Zhou, Y. H. Zhao, Y. X. Wei, F. Li, J. J. Dong, and X. L. Zhang, "All-in-one silicon photonic polarization processor," Nanophotonics 8, 2257-2267 (2019).