随着人工智能技术的快速发展，大模型、智能感知、自动驾驶和边缘计算等应用不断涌现，计算系统正面临前所未有的算力、带宽和能效挑战。基于传统冯·诺依曼架构的电子计算体系受限于互连带宽及能耗瓶颈，难以持续满足人工智能对高速、低功耗和高并行计算的需求。在这一背景下，集成光子神经网络作为一种新兴计算范式，正在成为突破现有计算瓶颈的重要方向。
近日，美国加州大学圣塔芭芭拉分校、中国科学院半导体研究所、北京大学、中国移动研究院与北京信息科技大学联合团队在《国家科学评论》(National Science Review, NSR)发表了题为“Emerging integrated photonic neural network technologies for artificial intelligence: from devices to systems”的综述文章，系统梳理了面向人工智能的集成光子神经网络技术的发展脉络、关键架构与系统实现路径。该文将收录于NSR“光电融合”专题。
美国加州大学圣塔芭芭拉分校John E. Bowers院士，中国科学院半导体研究所郑婉华院士，北京大学王兴军教授为该论文共同通讯作者。美国加州大学圣塔芭芭拉分校博士后研究员韩昌灏，中国移动研究院杨其鹏研究员，北京信息科技大学秦军副教授，中国科学院半导体研究所王明金研究员、博士研究生易赵正为该论文共同第一作者。主要合作者还包括美国加州大学圣塔芭芭拉分校博士后研究员李鸣骁，北京大学舒浩文研究员、博士后研究员田烨、博士研究生岳书涵、韦雪玲、吴泽楠，中国移动研究院基础网络技术研究所副所长张德朝、传送网研究室经理韩柳燕，中国科学院半导体研究所陈静瑄助理研究员。
图1 光子神经网络核心计算架构的演进时间线
该综述采用跨层分析框架，全面总结了集成光子神经网络在人工智能应用中的关键技术进展。从相关物理器件、计算核心架构、片上集成策略到先进系统封装方案，研究团队全面分析了光子神经网络的关键硬件需求与主流技术路线，并总结其在可扩展性、计算精度、能效优化和光电系统协同等方面面临的挑战与发展潜力。该综述指出，对于片上光子神经网络，高性能无源与有源光子器件构成了系统运行的物理基础，而不同的网络架构方案则决定了计算核心的效率、吞吐量和扩展能力。在此基础上，文章进一步讨论了集成平台的演进趋势，从较为成熟的混合集成，到快速发展的异质集成和单片集成，再到面向系统应用的先进封装技术，集成光子神经网络正逐步形成一条应对人工智能的计算传输瓶颈的技术发展路径。
面向未来，光子神经网络性能的进一步提升，将受益于先进材料平台、计算核心设计与光电系统架构的协同演进。新型光子材料与集成平台有望在调制速度、集成密度和传输损耗等方面带来新的能力。在系统层面，光子神经网络的发展将依赖深度光电融合与协同优化设计。光子技术可充分发挥其在大规模线性运算、高带宽互连和低延迟并行处理方面的优势，电子技术则可在非线性运算、存储管理和精确控制等环节提供支撑。通过在架构层面对光域与电域功能进行协同设计，片上光子神经网络有望进一步提升整体计算效率、能效表现与工程可实现性。在此基础上，随着制造工艺逐步标准化、先进封装技术走向成熟，基于光电集成平台的片上光子神经网络有望从实验演示系统，发展为下一代人工智能基础设施中的协同集成加速模块。
总体而言，该综述从“器件—架构—集成—封装—系统”的完整链条出发，在硬件基础、架构设计、集成工艺、系统封装和产业化路径等多个层面，系统呈现了集成光子神经网络面向人工智能应用的发展逻辑，讨论了新兴集成光子神经网络技术的发展现状、核心挑战与未来趋势，为相关研究人员理解集成光子智能计算的技术全景、把握未来发展方向提供了参考。随着人工智能计算需求持续增长，集成光子神经网络技术有望成为下一代人工智能计算基础设施的重要组成部分，并在高性能计算与数据中心等领域发挥重要作用。
