卷積神經網絡是一種受生物視覺神經系統啟發而發展起來的人工神經網絡。它由多層卷積層、池化層和全連接層組成。作為卷積神經網絡的核心組成部分，卷積層通過對輸入數據進行局部感知和權值共享，提取出不同層次和抽象程度的特征。在一個完整的卷積神經網絡中，卷積運算的運算量通常占整個網絡運算量的80%以上。雖然卷積神經網絡在圖像識別等領域取得了成功，但也面臨挑戰。傳統的卷積神經網絡主要基于馮·諾依曼架構的電學硬件實現，存儲單元和處理單元是分立的，導致數據交換速度和能耗之間的固有矛盾。隨著數據量和網絡復雜度的增加，電子計算方案越來越難以滿足海量數據實時處理對高速、低能耗的計算硬件的需求。 

　　光計算是一種利用光波作為載體進行信息處理的技術，具有大帶寬、低延時、低功耗等優點，提供了一種“傳輸即計算，結構即功能”的計算架構，有望避免馮·諾依曼計算范式中存在的數據潮汐傳輸問題。光計算近年來備受關注，但在大部分已報道的光計算方案中，光學元件的數量隨著計算矩陣的規模呈二次增長趨勢，這使得光計算芯片規模擴展面臨挑戰。 

　　李明-祝寧華團隊提出的光學卷積處理單元通過兩個4×4多模干涉耦合器和四個移相器構造了三個2×2相關的實值卷積核（圖1）。該團隊創新性地將波分復用技術結合光的多模干涉，以波長表征Kernel元素，輸入到輸出的映射實現了卷積中的乘法運算過程，波分復用和光電轉換實現了卷積中的加法運算，通過調節四個熱調移相器實現了相關卷積核重構（圖2）。 

　　該團隊提出的光學卷積處理單元實驗驗證了手寫數字圖像特征提取和分類能力。結果表明，圖像特征提取精度達到5 bit；對來自MNIST手寫數字數據庫的手寫數字進行十分類，準確率達92.17%。與其他光計算方案相比，該方案具有如下優點：（1）高算力密度：將光波分復用技術與光多模干涉技術相結合，采用4個調控單元實現3個2×2實值Kernel并行運算，算力密度達到12.74-T MACs/s/mm²。（2）線性擴展性：調控單元數量隨著矩陣規模線性增長，具有很強的大規模集成的潛力。 

　　研究工作得到國家自然科學基金和中國科學院青年創新促進會的支持。 

圖1.光學卷積處理單元 

圖2.使用光學卷積處理單元進行圖像特征提取的結果。（a）輸入的五個手寫數字的圖片；（b）使用計算機進行特征提取的結果；（c）使用提出的光學卷積處理單元進行特征的結果。