據麥姆斯咨詢報道，英國思克萊德大學（University of Strathclyde）開發了一種硬件友好型神經形態光子脈沖處理器，其使用單個VCSEL，用于全光學圖像邊緣特征檢測。這利用了基于VCSEL的光子神經元高速集成時間編碼像素數據的能力，并在檢測到所需圖像特征時快速發射（100ps）光學脈沖。此外，光子系統與軟件控制的脈沖神經網絡相結合，為復雜的圖像分類任務提供了一個完整的平臺。因此，這項研究突顯了基于VCSEL的新型、超快、全光學神經形態處理器平臺的潛力，該處理器與當前的計算和通信系統相連接，可用于未來的光驅動人工智能（artificial intelligence，AI）和計算機視覺功能領域。

利用脈沖VCSEL神經元的圖像處理技術

網絡互聯設備的大量使用，直接導致數據的可獲得性不斷提高，對更快、更高效的數據處理平臺的需求不斷增加。電子處理技術的發展緩解了其中的部分需求，展示了高計算吞吐量，并支持AI新系統的開發。然而，由于電子技術中的基本物理挑戰，基于硅的平臺的性能提升越來越有限，串擾、寄生電容和焦耳熱均會限制電子系統的速度、帶寬、占位面積和效率，進而促使許多研究人員探索未來數據處理系統的替代平臺。

一種替代平臺是基于光子學的系統，其具有更高的帶寬、高能效、低串擾和快速運行等特點，有助于彌補先進電子學技術的一些限制。近年來，對光子人工神經網絡（Artificial Neural Networks，ANN）和神經形態系統的研究正在興起。光學器件，例如量子共振隧穿（quantum resonant tunnelling，QRT）結構、光學調制器、相變材料（phase-change materials，PCM）和半導體激光器（semiconductor lasers，SL）等，都已作為新型神經形態光子處理系統的候選對象進行了研究。其中，關于通過人工神經網絡和儲備池計算系統加速光子學中的信息處理方面的研究已經蓬勃發展。同樣，在圖像處理和計算機視覺領域取得巨大成功的卷積神經網絡（Convolutional Neural Networks，CNN）也在光子學平臺上得到實施，已提出諸如PCM、微環諧振器和調制器等器件來提高計算成本高的卷積運算的速度和效率。

與經典的人工神經網絡一樣，神經形態計算系統特別適用于眾多任務處理，其中之一是圖像和模式的分類和識別。與CNN類似，軟件控制的神經形態脈沖神經網絡（Spiking Neural Networks，SNN）已成功證明具有圖像處理功能。此類SNN系統通過卷積和池化技術的組合來提取圖像特征，并與動態視覺傳感器（dynamic vision sensor，DVS）相機和單光子雪崩探測器（single photon avalanche detectors，SPAD）結合使用以執行圖像處理任務。此外，研究還表明，由于只有網絡的活動部分需要計算，因此SNN比CNN具有更低的能量操作要求和更小的延遲。總之，由神經形態光子器件構成的SNN在直接構建在光子學平臺上的快速高效的圖像處理系統的未來發展中顯示出巨大潛力。

除此之外，半導體激光器還顯示出作為高速人工光學脈沖神經元的能力，模擬大腦中生物神經元的功能和脈沖操作。在半導體激光器中，垂直腔面發射激光器（vertical cavity surface emitting lasers，VCSEL）因其獨特的特性（如高速、易于集成在2D陣列中、與光纖的高耦合效率等）而備受關注。

近期，思克萊德大學的研究工作展示了一種通過基于VCSEL的硬件系統和全光學脈沖卷積運算構建的具有圖像處理功能的平臺。該平臺使用單個VCSEL作為人工光學脈沖神經元，并結合時分復用技術，使其成為一個對硬件非常友好的平臺。利用脈沖VCSEL神經元的集成和發射能力，可以同時處理多個高速光輸入（100ps），每個輸入都對不同的圖像像素進行編碼，以直接在光域中進行脈沖卷積運算。該功能被用于（復雜）源圖像中的全光學邊緣特征檢測，顯示其具有非常高的速度和噪聲魯棒性。

研究人員成功地對各種源圖像進行了邊緣特征檢測，包括復雜圖像（例如研究所的徽標）、機打數字和手寫數字（MNIST數據庫中的5000幅圖像）。如機打的“數字4”32? x ?32像素源圖像的邊緣檢測的結果所示，“數字4”的垂直邊緣由VCSEL神經元識別（發射脈寬為100 ps的脈沖）。當在圖像中發現垂直邊緣特征時，“垂直”內核會產生四個負輸入脈沖群，而對于所有其他像素特征，則會產生較小的輸入脈沖群。VCSEL神經元整合這些時間復用脈沖的組合能量，僅當所有四個脈沖群均為負時（總能量超過脈沖觸發閾值）才會觸發脈沖，以檢測圖像中的垂直邊緣。對于所有其他情況，VCSEL神經元保持靜止，因為編碼輸入脈沖群的組合能量沒有超過脈沖觸發閾值。
?

基于VCSEL神經元的黑白圖像邊緣檢測

為了進一步測試該系統的能力，研究人員選擇了一幅更復雜的源圖像，即思克萊德大學（UoS）的323? × 323?像素RGB圖像。結果表明，所有水平線、垂直線和對角線均被識別，進一步說明圖像大小和復雜性均不會妨礙基于光子脈沖VCSEL的邊緣檢測系統的操作。重要的是，實現了96.63%的整體邊緣檢測精度。我們必須注意，每個像素的時間可以進一步減少到僅1ns（VCSEL神經元的脈沖耐受時間），而無需任何額外的優化過程，以實現更快的處理速度。
?

基于VCSEL神經元的復雜的大尺寸圖像邊緣檢測

此外，研究人員還表明，基于VCSEL的神經形態光子硬件系統的光學脈沖輸出可以饋送到軟件控制的SNN中，并成功實現了手寫數字圖像的識別。此外，這種方法使用價格低廉的商用VCSEL，其工作波長為1300nm，因此允許與光通信網絡和數據中心技術完全兼容。

基于集成和發射能力VCSEL神經元的MNIST手寫數字邊緣檢測

研究人員還從理論上證明，具有更大維度（例如3? x 3）內核VCSEL神經元的運用對于實現更復雜的圖像特征提取也是可能的。這意味著，無論是SNN（例如該研究中軟件控制的SNN）還是針對特定特征的識別系統，VCSEL神經元有可能實現進一步的卷積任務。總體而言，研究人員認為，人工脈沖VCSEL神經元在未來高速、低能量、硬件友好的神經形態光子平臺上顯示出巨大的潛力。

論文信息：
Robertson, J., Kirkland, P., Alanis, J.A. et al. Ultrafast neuromorphic photonic image processing with a VCSEL neuron. Sci Rep 12, 4874 (2022).
https://doi.org/10.1038/s41598-022-08703-1

編輯：黃飛