目前，大部分光子 AI 芯片的试验都是在硅光芯片的基础上完成的，硅光芯片的设计和制造工艺已经趋向成熟。硅（及锗硅）在集成光子芯片方面有很大的优势。使用 SiN、TiO 或 AiN 的无源器件也已得到演示。这些材料的加工与 CMOS 晶圆厂的工艺兼容，将与硅光芯片集成在一起。
但是，硅光芯片也有较大的局限性。鉴于光子器件的模拟性质和尺寸限制，可扩展性是一个很大的挑战。现在基于硅的晶体管特征尺寸已经做到 7nm 以下，这个尺寸比目前硅光芯片中光学器件的特征尺寸要小。可以利用等离子体把硅光芯片的特征尺寸减小。等离子体是以自由电子和带电离子为主要成分的物质形态。当光照射在金属表面时，等离子体就会被激发出来。等离子体可以被看作是光子和电子的连接或光与物质之间产生相互作用的物体。如果有适当的结构，可以将光子信息压缩到一个较小的空间中，那么有可能大大减小硅光芯片的尺寸。
尽管光子器件比 CMOS 逻辑电路和非易失性存储器（NVM）要大，但是诸如波分复用（Wavelength Division Multiplex，WDM）之类的技术允许大量信号同时通过器件的同一物理波导传输。如果神经元的激活由这些波长通道之一的光强度表示，而每个神经元都分配有不同的波长通道，则 WDM 可以提供一种将多个信号从一个网络层传输到下一个网络层的方法。这种方法很有可能在未来的光子 AI 芯片上得到应用。
一些大学和研究机构正在推动对高级光学材料、光开关、激光器和纳米光学的研究，以进一步推动光学计算的进展。研究人员已经用硅光子微环谐振器来实现光子突触，或通过将相变材料集成到光子芯片上，将输入的光信号与在相变材料状态下编码的突触权重进行模拟乘法（见第 16 章）。这说明使用 NVM 来实现的存内计算（见第 7 章）原理已经应用到了光领域，类似方法可以称为存内光子计算。
走在产业化的前列，把光子 AI 芯片真正变成产品的是总部位于法国巴黎的初创公司 LightOn。这家公司的第一个产品是称为光处理单元（OPU）的硬件协处理器。由于这款芯片利用了光学器件，它适用于处理非常大的数据量，将输入数据乘以固定矩阵，经过非线性计算，然后输出结果，即完成深度学习最重要的基本计算——矩阵矢量乘法及非线性计算。由于采用光计算，OPU 的处理速度比一般芯片高出几个数量
（本章节未完结，点击下一页翻页继续阅读）
正在加载...