ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. eISSN 1684-1719. 2026. №2
Текст статьи (pdf)
DOI: https://doi.org/10.30898/1684-1719.2026.2.12
УДК: 621.383
Фотонные технологии для реализации нейроморфных
вычислений: результаты, направления исследований
и аппаратное обеспечение ИИ
А.А. Мачнев 1,2, И.В. Мельников 2, Е.Р. Надеждин 2, В.А. Соколов 2, Д.Д. Ступин 2
1Национальный исследовательский технологический университет «МИСиС»,
119049, Москва, Ленинский проспект, д. 4, стр. 12Московский физико-технический институт
(национальный исследовательский университет),
141701, Московская область, г. Долгопрудный, Институтский переулок, д. 9
Статья поступила в редакцию 21 июля 2025 г.
Аннотация. Внедрение фотонных технологий в индустрию высокопроизводительных вычислений позволяет серьезно трансформировать подходы к созданию новых поколений сверхбыстродействующих вычислительных систем, преодолевая присущие традиционным электронным вычислительным системам и технологиям ограничения с точки зрения энергоэффективности, распараллеливания и масштабируемости. Используя уникальные свойства светового излучения с точки зрения обеспечения высокой пропускной способности, малых временных задержек и возможности параллельной обработки больших информационных массивов и потоков, фотонные вычислительные системы представляют собой многообещающую альтернативу для выполнения сложных вычислительных операций, в том числе, в приложениях, предполагающих использование технологий искусственного интеллекта. В представленной работе синтезируются последние достижения в области фотонных нейроморфных архитектур, аналоговых оптических вычислений, вычислений на фотонных резервуарах и интегрированных фотонных схемах, а также дается представление о будущих направлениях исследований и потенциальных применениях этих систем для обеспечения следующего поколения аппаратного обеспечения сверхвысокопроизводительных вычислений.
Ключевые слова: фотоника, фотонные технологии, высокопроизводительные вычисления, нейроморфные вычисления, искусственный интеллект, фотонные интегральные схемы, параллельные вычисления, нейронные сети.
Автор для переписки: Ступин Дмитрий Дмитриевич, ddstupin@yandex.ru
Литература
1. Brückerhoff-Plückelmann F. et al. Broadband photonic tensor core with integrated ultra-low crosstalk wavelength multiplexers // Nanophotonics. – 2022. – Vol. 11. No. 17. – P. 1−10.
2. Brückerhoff-Plückelmann F. et al. A large scale photonic matrix processor enabled by charge accumulation // Nanophotonics. – 20231. – Vol.2. – P. 812. https://doi.org/10.1515/nanoph-2022-0441
3. Shi B., Calabretta N., Stabile R. Deep neural network through an InP SOA-based photonic integrated cross-connect // IEEE J. Sel. Top. Quantum Electron. – 2020. – Vol. 26, No. 1. – P. 1−11.
4. Wu C. et al. Programmable phase-change metasurfaces on waveguides for multimode photonic convolutional neural network // Nat. Commun. – 2021. – Vol. 12, No. 96. – P. 1−8.
5. Wetzstein G. et al. Inference in artificial intelligence with deep optics and photonics // Nature. – 2020. – Vol. 588. No. 7836. – P. 39−47.
6. Feldmann J. et al. Parallel convolutional processing using an integrated photonic tensor core // Nature. – 2021. – Vol. 589. No. 7840. – P. 52−58.
7. Xu X. et al. 11 TOPS photonic convolutional accelerator for optical neural networks // Nature. – 2021. – Vol. 589.No. 7840. – P. 44−51.
8. Zhou T. et al. Large-scale neuromorphic optoelectronic computing with a reconfigurable diffractive processing unit // Nat. Photonics. – 2021. – Vol. 15. No. 5. – P. 367−373.
9. Goodman J. W., Dias A. R, Woody L. M. Fully parallel, high-speed incoherent optical method for performing discrete Fourier transforms // Opt. Lett.. – 1978. – Vol. 2. No. 1. – P. 1−3.
10. Chang J. et al. Hybrid optical-electronic convolutional neural networks with optimized diffractive optics for image classification // Sci. Rep. – 2018. – Vol. 8. No. 1. – P. 12324.
11. Zuo Y. et al. All-optical neural network with nonlinear activation functions // Optica. – 2019. – Vol. 6. No. 9. – P. 1132−1137.
12. Inagaki T. et al. Large-scale Ising spin network based on degenerate optical parametric oscillators // Nat Photon/ – 2016. 10(6): 415–9. https://doi.org/10.1038/nphoton.2016.68
13. Larger L. et al. Photonic information processing beyond turing: An optoelectronic implementation of reservoir computing // Opt Express. – 2012. – 20(3):3241–9. https://doi.org/10.1364/OE.20.003241
14. Takano K. et al. Compact reservoir computing with a photonic integrated circuit // Optics Express. – 2018. – 26(22): 29424–39. https://doi.org/10.1364/OE.26.029424
15. M. Tan. Microwave and RF Photonic Fractional Hilbert Transformer Based on a 50 GHz Kerr Micro-Comb // Journal of Lightwave Technology. – 2019. – Vol. 37. No. 24. – P. 6097-6104. https://doi.org/10.1109/JLT.2019.2946606
16. Tan M. et al. RF and microwave fractional differentiator based on photonics // IEEE Transactions on Circuits and Systems II: Express Briefs. Early Access. – 2020. – V. 67. – I. 11. – P. 2767 – 2771. https://doi.org/10.1109/TCSII.2020.2965158
17. Kippenberg T. J., Holzwarth R., Diddams S. A. Microresonator-based optical frequency combs // Science. – 2011. –Vol. 332. – P. 555-559 .
18. Savchenkov A. A. et al. Tunable optical frequency comb with a crystalline whispering gallery mode resonator // Physics Review Letters. –2008. –Vol. 101. –P. 093902.
19. Pasquazi A. et al. Micro-combs: a novel generation of optical sources // Physics Reports. – 2018. – Vol. 729. –P. 1-81.
20. Ferrera M. et al. Low-power continuous-wave nonlinear optics in doped silica glass integrated waveguide structures // Nat. Photonics. –2008. –Vol. 2 (12). – P. 737-740.
21. Peccianti M. et al. Demonstration of a stable ultrafast laser based on a nonlinear microcavity // Nat. Commun. – 2012. –Vol. 3 765. – P. 1-6.
22. Pasquazi A.et al. Stable, dual mode, high repetition rate mode-locked laser based on a microring resonator // Opt. Exp. – 2012. – Vol. 20. No. 24. – P. 27355-27362.
23. Pasquazi A. et al. Self-locked optical parametric oscillation in a CMOS compatible microring resonator: a route to robust optical frequency comb generation on a chip // Opt. Exp. –2013. – Vol. 21. No. 11. – P. 13333-13341.
24. Shastri B. J. et al. Spike processing with a graphene excitable laser // Sci. Rep. – 2016. – Vol. 6. – P. 19126.
25. Feldmann J. et al. All-optical spiking neurosynaptic networks with self-learning capabilities // Nature. – 2019. Vol. 569. – P. 208-214.
26. Duport F. et al. All-optical reservoir computing // Opt. Express. – 2012. 20(20):22783–95. https://doi.org/10.1109/JSTQE.2018.2836985
27. Lang R., Kobayashi K. External optical feedback effects on semiconductor injection laser properties // IEEE Journal of Quantum Electronis. – 1980. – Vol. 16. – No. 3. –P. 347-355. https://doi:10.1109/JQE.1980.1070479
28. Alsing P. M., Kovanis V., Gavrielides A., Erneux T. Lang and Kobayashi phase equation // Physical Review A. – 1996. –Vol. 53 (6). 4429-4434. https://doi.org/10.1103/PhysRevA.53.4429
29. Huang L.et al. Mid-infrared modulators integrating silicon and black phosphorus photonics // Ang. Mater. Today Adv. 2021. 12. 100170 https://doi.org/10.1016/j.mtadv.2021.100170
30. Sorianello V. et al. Graphene–silicon phase modulators with gigahertz bandwidth // Nat. Photonics. – 2018. –Vol. 12. 40.
31. Qiao Q. et al. Multifunctional mid-infrared photonic switch using a MEMS-based tunable waveguide coupler // Opt. Lett. – 2020. – Vol. 45. 5620. https://doi.org/10.1364/OL.400132
32. Sagheer A. Kotb M. Time series forecasting of petroleum production using deep LSTM recurrent networks // Neurocomputing. – 2019. – V. 323. – P. 203–13. https://doi.org/10.1016/j.neucom.2018.09.082
33. Chimmula VKR. Zhang L. Time series forecasting of COVID-19 transmission in Canada using LSTM networks // Chaos. Solitons & Fractals. – 2020. – Vol. 135:109864. https://doi.org/10.1016/j.chaos.2020.109864
34. Hochreiter S. Schmidhuber J. Long short-term memory // Neural Comput/ – 1997. – Vol. 9:1735–80. https://doi.org/10.1162/neco.1997.9.8.1735
35. LeCun Y. Bengio Y. Hinton G. Deep learning // Nature. – 2015. –Vol. 521:436–44. https://doi.org/10.1038/nature14539
36. Voulodimos A. Doulamis N. Doulamis A. Protopapadakis E. Deep learning for computer vision: A brief review // Comput intelligence Neurosci. – 2018
37. Demirkiran C. Eris F. Wang G. Elmhurst J. Moore N. Harris NC. et al. An electro-photonic system for accelerating deep neural networks // – P. 01126. arXiv preprint (2021):arXiv:2109. https://doi.org/10.48550/arXiv.2109.01126
38. Xu S., Ren Z., Dong B., J. Zhou,W. Liu, C. Lee. Mid-Infrared Silicon-on-Lithium-Niobate Electro-Optic Modulators Toward Integrated Spectroscopic Sensing Systems // Adv. Opt. Mater. – 2023. 11. – Р. 2202228.
39. Li Z., Zhang H., B. Nguyen T. T., et al. // Photonics Res. – 2021, 9, B38.
40. Zhou J., Zhang Z., Dong B., et al. // Opt. Express – 2010. 18. 1756
41. Ma Y., Chang Y., Dong B., Wei J., W. Liu, C. Lee // ACS Nano. – 2021. – Vol. 15. 10084.
42. Rios C., Du Q., Zhang Y., et al. // Sci. Rep. – 2016. 6. 22616.
43. Shi B., N. Calabretta, Stabile R. Deep neural network through an InP SOA-based photonic integrated cross-connect // IEEE J. Sel. Top. Quantum Electron. – 2020. – Vol. 26. No. 1. – P. 1−11.
44. Xu Q., Soref R. Reconfigurable optical directed-logic circuits using microresonator-based optical switches, Opt. Express, – 2011. – Vol. 19. No. 6. – P. 5244−5259.
45. Yang L., Ji R., Ding J., Xu Q. On-chip CMOS-compatible optical signal processor // Opt. Express. – 2012. – Vol. 20, No. 12, – P. 13560−13565.
46. Tait A. N., Nahmias M. A., Shastri B. J., Prucnal P. R. Broadcast and weight: an integrated network for scalable photonic spike processing // J. Lightwave Technol. – 2014. – Vol. 32. No. 21. – P. 4029−4041.
47. Tait A. N., de Lima T. F., Zhou E., et al. Neuromorphic photonic networks using silicon photonic weight banks // Sci. Rep. – 2017. – Vol. 7. No. 1. – P. 7430.
48. Tait A. N., de Lima T. F., Nahmias M. A., Shastri B. J., Prucnal P. R. Multi-channel control for microring weight banks // Opt. Express. – 2000. – Vol. 24 ., No. 8. – P. 8895−8906.
49. Tait A. N., de Lima T. F., Nahmias M. A., B. J. Shastri, P. R. Prucnal. Continuous calibration of microring weights for analog optical networks // IEEE Photon. Technol. Lett. – 2016. – Vol. 28. – No. 8. – P. 887−890.
50. Tait A. N., Xu A. X., de Lima T. F., et al. Microring weight banks // IEEE J. Sel. Top. Quantum Electron. – 2016. – Vol. 22. – No. 6. – P. 312−325.
51. Huang C., Bilodeau S., de Lima T. F., et al. Demonstration of scalable microring weight bank control for large-scale photonic integrated circuits // APL Photonics – 2020. – Vol. 5. – No. 4. – P. 040803.
52. Xu S., Wang J., Zou W. Optical convolutional neural network with WDM-based optical patching and microring weighting banks // IEEE Photon. Technol. Lett. – 2021. – Vol. 33. No. 2. – P. 89−92.
53. Bangari V., Marquez B. A., Miller H., et al. Digital electronics and analog photonics for convolutional neural networks (DEAP-CNNs) // IEEE J. Sel. Top. Quantum Electron. – 2020. – Vol. 26. No. 1. – P. 1−13.
54. Huang C., Fujisawa S., de Lima T. F., et al. A silicon photonic-electronic neural network for fibre nonlinearity compensation // Nat. Electron. – 2021. – Vol. 4. No. 11. – P. 837−844.
55. Shi B., Calabretta N., Stabile R. Deep neural network through an InP SOA-based photonic integrated cross-connect // IEEE J. Sel. Top. Quantum Electron., – 2020. – Vol. 26. – No. 1. – P. 1−11.
56. Mourgias-Alexandris G., Tsakyridis A., Passalis N., et al. An all-optical neuron with sigmoid activation function // Opt. Express. – 2019. – Vol. 27. No. 7. – P. 9620.
57. Shi B., Calabretta N., Stabile R. InP photonic integrated multi-layer neural networks: architecture and performance analysis // APL Photonics. – 2022. – Vol. 7. No. 1. –P. 010801.
58. Chakraborty I., Saha G. Sengupta, A., K. Roy. Toward fast neural computing using all-photonic phase change spiking neurons // Sci. Rep. – 2018. – Vol. 8. No. 1. – P. 12980.
59. Li X., Youngblood N., Zhou W., et al. On-chip phase change optical matrix multiplication core // in IEEE Int. Electron Devices Meet. – 2020. – P. 7.5.1−7.5.4.
60. Nahmias M. A., Peng H., de Lima T. F., et al. A teraMAC neuromorphic photonic processor // in IEEE hotonics Conf. (IPC). – 2018. – P. 1−2.
61. Shainline J. M., Buckley S. M., McCaughan A. N., et al. Circuit designs for superconducting optoelectronic loop neurons // J. Appl. Phys. – 2018. – Vol. 124. No. 15. – P. 152130.
62. Shastri J., Tait A. N., Prucnal P. R. A leaky integrate-and-fire laser neuron for ultrafast cognitive computing // IEEE J. Sel. Top. Quantum Electron. – 2013. – Vol. 19, No. 5, – P. 1−12.
63. Tait A. N., Chang J., Shastri B. J. Nahmias, M. A., Prucnal P. R. Demonstration of WDM weighted addition for principal component analysis // Opt. Express – 2015. – Vol. 23, No. 10, – P. 12758−12765.
64. Xu X., Moss D., Tan M., J. Wu, Morandotti R. Photonic perceptron based on a kerr microcomb for high-speed, scalable, optical neural networks // Laser Photon. Rev. – 2020. – Vol. 14. – No. 10. – P. 44−51.
65. Mourgias-Alexandris G., Dabos G., Passalis N., Totović A., A. Tefas, and N. Pleros. All-optical WDM recurrent neural networks with gating // IEEE J. Sel. Top. Quantum Electron. – 2020. – Vol. 26, No. 5, – P. 1−7.
66. Totovic A., Giamougiannis G., Tsakyridis A., et al. Programmable photonic neural networks combining WDM with coherent linear optics // Sci. Rep. – 2022. – Vol. 12, No. 1, p. 5605.
67. Xiang J., Tao Z., Li X., et al. Metamaterial-enabled arbitrary on-chip spatial mode manipulation // Light Sci. Appl. – 2022. – Vol. 11, No. 168, – P. 1−11.
68. Zhou Y., Braverman B., Fyffe A., et al. High-fidelity spatial mode transmission through a 1-km-long multimode fiber via vectorial time reversal // Nat. Commun., – 2021. – Vol. 12, No. 1866, – P. 1−7.
69. Jiang W., Miao J., Li T. Compact silicon 10-mode multi/demultiplexer for hybrid mode- and polarization-division multiplexing system // Sci. Rep. – 2019. – Vol. 9, No. 13233, – P. 1−15.
70. Feldmann J., Youngblood N., C. D. Wright, H. Bhaskaran, W. H. P. Pernice // Nature. – 2019. – Vol. 569. 208.
71. Perez-Lopez D., Lopez A., P. DasMahapatra, J. Capmany // Nat. Commun. – 2020. –Vol. 11. 6359.
72. Prabhu M., Roques-Carmes C., Shen Y., N. Harris, L. Jing, J. Carolan, R. Hamerly, T. Baehr-Jones, M. Hochberg, V. ˇCeperi´c, J. D. Joannopoulos, D. R. Englund, M. Soljacic // Optica. – 2020. 7. 551.
73. Wu C., Yang X., H. Yu, R. Peng, Takeuchi I., Y. Chen, M. Li // Sci. Adv. – 2022. 8. 2956.
74. Xu S., Wang J., S. Yi, W. Zou // Nat. Commun. – 2022. 13. 7970.
75. Bai B., Yang Q., Shu H., L. Chang, F. Yang, B. Shen, Z. Tao, J. Wang, S. Xu, W. Xie, W. Zou, W. Hu, J. E. Bowers, X. Wang // Nat. Commun. – 2023. 14. 66.
76. Cheng J., Zhang W., W. Gu, H. Zhou, J. Dong, X. Zhang // ACS Photonics. – 2022. 10. 2173.
77. Xu X., Tan M., Corcoran B. et al. 11 TOPS photonic convolutional accelerator for optical neural networks // Nature – 2021. 589. 44.
78. Shen Y., Harris N. C., Skirlo S. et al. Deep Learning with Coherent Nanophotonic Circuits // Nat. Photonics – 2017, 11, 441.
79. Zhang H., Gu M., Jiang X. D. et al. An optical neural chip for implementing complex-valued neural network // Nat. Commun. – 2021. – Vol. 12. – P. 457.
80. Ashtiani F., Geers A. J., Aflatouni F. An on-chip photonic deep neural network for image classification // Nature/ – 2022. – Vol. 606. –P 501. https://doi.org/10.1038/s41586-022-04714-0
81. Tanomura R. Tang R, Umezaki T, Soma G, Tanemura T, Nakano Y. Scalable
and robust photonic integrated unitary converter based on multiplane light conversion // Phys Rev Appl. – 2022. –Vol. 17(2):024071 https://doi.org/10.1103/PhysRevApplied.17.02407182. Qu Y. Zhu H, Shen Y, Zhang J, Tao C, Ghosh P, et al. Inverse design of an integrated-nanophotonics optical neural network // Sci Bull. – 2020. –Vol. 65(14):1177–83. https://doi.org/10.1016/j.scib.2020.03.042
83. Zarei S. Marzban MR, Khavasi A. Integrated photonic neural network based on silicon metalines // Opt Express. – 2020. –Vol. 28(24):36668–84. https://doi.org/10.1364/oe.404386.
84. Khoram E., Chen A., Liu D, Ying L., Wang Q., Yuan M. et al. Nanophotonic media for artificial neural inference // Photon Res. – 2019.– Vol. 7(8):823–7. https://doi.org/10.48550/arXiv.1810.07815
85. Huang C. Sorger VJ,Miscuglio M, Al-Qadasi M, Mukherjee A, Lampe L, et al. Prospects and applications of photonic neural networks // Adv Phys X. – 2022. –Vol. 7: 1981155. https://doi.org/10.1080/23746149.2021.1981155
86. Wu J. Lin X, Guo Y, Liu J, Fang L, Jiao S, et al. Analog optical computing for artificial intelligence // Engineering. – 2021. –Vol. 10:133–45. https://doi.org/10.1016/j.eng.2021.06.021
87. Xu X. Tan M, Corcoran B, Wu J, Boes A, Nguyen TG, et al. 11 TOPS photonic convolutional accelerator for optical neural networks // Nature. – 2021.– Vol. 589:44–51. https://doi.org/10.1038/s41586-020-03063-0
88. Li Y. Xue Y, Tian L. Deep speckle correlation: A deep learning approach toward scalable imaging through scattering media // Optica/ – 2018. –Vol. 5:1181–90. https://arxiv.org/abs/1806.04139v2
89. Brossollet C. Cappelli A, Carron I, Chaintoutis C, Chatelain A, Daudet L, et al. LightOn optical processing unit: Scaling-up AI and HPC with a non von Neumann co-processor (2021) // arXiv preprint arXiv:2107.11814.
90. Launay J. Poli I, Müller K, Carron I, Daudet L, Krzakala F, et al. Light-in-the loop: Using a photonics co-processor for scalable training of neural networks // arXiv preprint arXiv:2006.01475 (2020). https://doi.org/10.48550/arXiv.2006.01475
91. Tanaka G., Yamane T. et al. Recent advances in physical reservoir computing: A review // Neural Networks. – 2019. 115: 100–23. https://doi.org/10.48550/arXiv.1808.04962
92. Li Y., Yu H. et al. Graphene-Based Floating-Gate Nonvolatile Optical Switch // IEEE Photonics Technol. Lett. – 2016. – Vol. 28. – P. 284.
93. Rios C. et al. Integrated all-photonic non-volatile multi-level memory // Nat. Photonics. – 2015. –Vol. 9, – P. 725.
Для цитирования:
Мачнев А.А., Мельников И.В., Надеждин Е.Р., Соколов В.А., Ступин Д.Д. Фотонные технологии для реализации нейроморфных вычислений: результаты, направления исследований и аппаратное обеспечение ИИ. // Журнал радиоэлектроники. – 2026. – №. 2. https://doi.org/10.30898/1684-1719.2026.2.12