《Nature Communications》：Neuromorphic photonic computing with an electro-optic analog memory
编辑推荐：
本研究针对神经形态光子系统中DAC/ADC数据转换带来的能效瓶颈，提出将模拟电子存储器与光子计算单元单片集成的创新方案。通过MNIST数据集验证，该架构可实现26倍能效提升，并在保持100倍记忆保持时间与网络延迟比的前提下维持>90%推理准确率，为高速低功耗光子计算提供了可行路径。
在人工智能计算需求爆炸式增长的时代，传统电子芯片面临能效瓶颈和内存墙问题的双重挑战。神经形态光子计算作为新兴方向，通过光子信号替代电子信号进行模拟计算，虽能大幅提升运算速度，却始终受困于一个核心矛盾：计算单元本身采用模拟信号操作，而数据存储和调用仍需依赖数字存储器件与数模转换器（DAC）。这种"数模混搭"的架构导致数据需要在存储器和转换器间频繁搬运，产生巨大的能量损耗，正是冯·诺依曼架构中著名的"内存墙"问题在光子领域的再现。
为解决这一关键问题，研究团队在《Nature Communications》上提出了一项突破性方案：将模拟电子存储器与光子计算单元进行单片集成，构建真正意义上的全模拟计算系统。该研究的创新之处在于用电容模拟内存直接存储模拟权重，使计算单元能够直接调用模拟信号，从根本上规避了反复的数模转换过程。
关键技术方法包括：采用单片集成工艺构建包含电光调制器和电容存储单元的神经形态光子芯片；利用MNIST手写数字数据集进行原位训练和推理验证；通过对比传统SRAM-DAC架构的能耗分析评估系统能效；系统研究模拟记忆保持时间与网络延迟比对推理准确率的影响规律。
研究团队通过精心设计的实验验证了该架构的优越性能。在MNIST数据集上的测试表明，这种集成模拟内存的光子计算系统可实现超过26倍的能效提升。更令人惊喜的是，研究发现只要保持模拟记忆的保持时间与网络延迟比不低于100:1，系统就能维持>90%的高推理准确率。这一发现意义重大，它表明即使使用存在电荷泄漏问题的模拟存储器（这种泄漏在传统观念中被认为是致命缺陷），只要满足特定的时间比例关系，系统性能就不会受到实质性影响。
在系统架构分析部分，研究揭示了传统方案的能量损耗主要来源。当采用独立的SRAM存储器和DAC转换器时，数据搬运和转换过程消耗的能量远超计算本身。而新方案通过模拟内存的本地化存储，实现了"计算即存储"的理想状态，极大降低了数据移动需求。
关于记忆保持特性的研究得出了关键设计准则。通过系统改变电容器的刷新频率和网络运行参数，研究人员绘制出准确率随保持时间-延迟比变化的曲线。当比值达到100时，准确率曲线进入平台期，这意味着系统设计无需追求"完美"的记忆保持，大幅降低了硬件实现难度。
这项研究的成功不仅展示了一种具体的硬件实现方案，更重要的是为神经形态光子计算的发展指明了方向。它证明通过巧妙的架构设计，可以突破模拟存储器件的固有局限，实现高性能与高能效的统一。该方案显著降低了对高精度DAC的依赖，为构建更大规模的光子神经网络奠定了基础。随着光学集成技术的不断进步，这种基于电光模拟内存的神经形态计算架构有望在人工智能、高性能计算等领域发挥重要作用，为突破传统计算范式提供新的技术路径。
