集成光子芯片Micro-comb原理

2021年1月6号，一篇名为《11 TOPS photonic convolutional accelerator for optical neural networks》的论文发表在nature上。这一由徐兴元博士（莫纳什大学）、谭朦曦博士、David Moss教授（斯文本科技大学）等人完成的实验向世人宣告了一个激动人心的成果：由硅基micro-comb芯片搭建的光学神经网络（Optical neural network, ONN）实现了64G波特速率、11TOPS计算速率的高速图像识别。这证明了光子神经网络硬件的运算潜力，并预示着单片集成光电芯片的到来。

光子相较电子的优势与劣势

电子器件在物理特性和结构特性上正面临着严重的挑战。籍由电子器件的尺寸已经直逼其热力学极限，靠纳米技术进步维持的摩尔定律已经到了难以维系的地步。电子作为最经典的费米子，受到泡利不相容原理的影响，无法在量子轨道上并行存在，换言之，费米子太笨重了，不适合做为高密度信息传递的载体。人们依靠电流大小、电压大小这些电子的广延量实现信息传递，而很少关注电子作为一种德布罗意波的频域信息（强度量信息），电子器件的性能提升因此也体现在对电子数目和电子速度这两个量的优化上。而光子作为一种玻色子完美的补充了上述电子的诸多缺点。玻色子可以在量子尺度上同时存在，人们对光子的研究也不会局限于对其光强这一广延量的研究，而是会将目光对准频率-光强-时间这三维物理量交织下进行的信息传递。换言之，光子作为信息载体在被人们使用的时候，能传递的信息比电子能传递的信息高一个维度。

然而，现代成熟的光纤业务都是基于可见光乃至红外、外红外波段电磁波进行的，意即其波长尺度在亚微米级别。这一现状限制了对光子的进一步集成，过大的波长尺度使得即便有集成波导管工艺，也难以在纳米级别上对光器件进行集成。想要波长短，就得抬高光子的能量，进而对承载高能光子的波导管系统提出了更高的要求。如果能实现对紫外或者X射线频段的光的波导管技术突破（材料上和结构上），那么在分子级别器件的热力学极限上，光子器件将全方面超越电子器件。

实现算法的数学要求

算法的输入输出一般都用某一函数来实现，意即：
$$F(输入)=输出$$
其中，具体到F函数时，又往往可将F函数分解为一系列简单函数的复合：