菜单总览
新闻

新一代硬件可编程的量子计算架构

  • 2021.07.20
  • 新闻
近日,AIRS 普适人工智能应用研究中心朱熹教授团队在 Advanced Theory and Simulations 发表了题为 Toward Programmable Moiré Computation 的论文。

        近日,AIRS 普适人工智能应用研究中心朱熹教授团队在 Advanced Theory and Simulations 发表了题为 Toward Programmable Moiré Computation 的论文。该论文介绍了一种硬件可编程的计算机架构,并被遴选为当期期刊的封面内页。今天我们一起来看看这个具有广泛应用潜力的新一代计算机架构。

光计算和光量子计算的架构及硬件实现

        近年来,由于传统电子计算机的算力已经接近理论极限,光计算和光量子计算已经成为学术界的研究热点,相关内容多次发表在 Science 等顶级期刊上。对于传统的光计算,比较热门的架构有光衍射神经网络(Diffractive Deep Neural Network, D2NN)1。发光的图像经过衍射层产生折射,反射和衍射,在输出层上形成不均匀的光强分布。通过训练衍射层上每个像素点的介电常数,该网络可以将入射光聚集在输出层标定的小区域内,从而实现分类和识别的功能。在硬件实现上,该架构采用 3D 打印技术,利用每个像素点材料的厚度不同实现介电常数的控制。对于一训练好的特定数据集,打印好的硬件设备可以进行“光速”分类。最近登上热搜的我国量子计算机原型“九章”则属于光量子计算架构2。研究团队自主研制了高质量的量子光源,干涉线路以及单光子探测器,保证了计算过程不受外界因素干扰。“九章”能够以比传统超级计算机快100亿倍的速度解决高斯玻色取样问题,证明了量子计算相对于传统计算架构的优越性。

        然而,包括上文提到的两种光计算架构在内,大部分的光计算架构都不具有硬件可编程性。光衍射计算设备和“九章”都只能解决特定的计算任务。一旦任务改变,硬件则需要全部重新设计,而原硬件将变得毫无价值。一方面,这会造成材料的极度浪费;另一方面,这些看似高效的计算架构缺少普适化的接口,很难产业化以提高社会生产效率。

摩尔纹材料计算架构——一种硬件可编程的光计算架构

        摩尔纹可诞生于扭转堆叠的原子层厚度的二维材料中,并展示出异常迷人的量子现象。近年来所制备的摩尔超晶格结构预示着扭转学(Twistronics)的精进发展,随之涌现了大量新材料相结构及奇特性质。Penn 在1962年的论文中提出用各向同性的近似自由电子气模型去计算各种二维半导体材料的介电常数3。他提出的模型中,介电函数仅取决于可以从光学吸收谱确定的平均能隙,在较小的波数情况下给出了介电函数合理的预测。对于摩尔纹材料而言,其介电函数具有明显的尺寸效应。在尺寸逐渐趋于宏观尺度时,其介电函数收敛于宏观介电常数。而在纳米尺度,根据扭转角度,平面尺寸以及层数的不同,摩尔纹材料的介电函数,总能量,能带结构等光电磁性质也会随之改变。我们基于 Penn 的模型,加入了平面尺寸,层数,和转角等参数的依赖性,完善了摩尔纹材料介电函数的建模。我们在摩尔纹材料的能量计算中发现了一些特定转角的结构能量较低,可以稳定的存在。这些结构提供了丰富的介电函数值,在排列组合下可以对入射光产生不同的作用。这为摩尔纹材料在光学计算中的应用提供了有力的理论支撑。

左图:摩尔纹材料介电函数随原子层数的变化。右图:摩尔纹材料平均原子能量随转角的变化。一些特定转角的稳定结构用“Peckman”图案和其介电函数值标记。

        研究人员可以通过控制材料的转角,尺寸等参数人为调控材料对光的吸收和散射,在光信号的处理方面有广泛的应用。因此,摩尔纹材料的转角变化是理论上可控的。这表明摩尔纹材料是一种硬件可编程材料,非常适合用于解决目前光计算的困境。我们参考了 D2NN 的结构,但在用每个像素点衬底上使用一种特定转角的摩尔纹材料而非 3D 打印技术。这样做也能像 D2NN 一样对每个像素点的介电常数进行控制。在完成当前计算任务之后,我们可以通过机器学习获得下一组的转角参数,并用飞秒激光等技术改变对应的转角,这样就可以实现硬件可编程的光计算架构。理论上摩尔纹材料计算架构可以更快地完成各种传统计算任务。在计算资源缺乏的地区,摩尔计算架构具有广泛应用的潜力,同时摩尔纹材料的合成成本比量子计算的成本更低。

摩尔光网络训练流程及转角对摩尔纹材料介电函数的控制

高速度、低成本、更具普适性的摩尔计算

        在这项工作中,我们设计了一种可编程的、基于转角摩尔纹材料的光神经网络装置。我们首先从理论上证明了摩尔纹材料的介电常数对转角的强依赖性,利用光在多层不同转角摩尔纹材料中的折射产生不同的信号,从而实现计算、分类、统计等目的。该计算架构仅需要转角、层数和层间距等简单参数,这些参数可以从深度学习中获得。该计算的空间复杂度比其他光神经网络要小2-3个数量级,并能和其他光神经网络达到基本相同的计算准确度。最重要的是,其他基于光子的计算架构都是硬件不可编程的,而摩尔纹材料的转角可以通过飞秒激光等方法进行可控改变。相比于传统计算机,摩尔计算具有光的计算速度;相比于量子计算,摩尔计算成本更低;相比于传统光计算,摩尔计算具有普适性。它的实现不需要3D打印技术,将在一定程度上降低了计算成本,并非常适合应用于未来的云计算。与此同时,我们希望转角摩尔纹材料的应用能给未来的计算机架构设计带来新的思路。

原文链接:
https://onlinelibrary.wiley.com/doi/10.1002/adts.202100063
https://onlinelibrary.wiley.com/doi/epdf/10.1002/adts.202170014

Reference:
1. Lin, X., et al. All-optical machine learning using diffractive deep neural networks. Science 361, 1004-1008 (2018).
2. Zhong, H.-S., et al. Quantum computational advantage using photons. Science 370, 1460-1463 (2020).
3. Penn, D. R. Wave-Number-Dependent Dielectric Function of Semiconductors. Phys. Rev. 128, 2093-2097 (1962).

本文作者:高越宸