这篇笔记介绍一篇牛津大学在光子计算领域的最新进展，该文章发表于最新一期的Science Advances，标题为“In-memory computing on a photonic platform”。
传统计算机采用的架构为冯·诺依曼架构，在该架构中，中央处理器CPU与存储单元是分离的，如下图所示。
(图片来自https://en.wikipedia.org/wiki/Von_Neumann_architecture)
数据与指令存放在存储器中，它们通过总线传输给CPU进行处理。但是随着数据量的增大，CPU与存储器之间的数据传输速率限制了计算速度，即所谓的冯·诺依曼瓶颈（von Neumann bottleneck）。受限于内存的存取速度，CPU需要等待数据的到来。人们提出了很多办法来解决这一问题，这其中有一种方案，称为内存内计算（memory-in computing），也就是将计算单元嵌入到内存单元里。内存不仅存储数据，同时也对数据进行计算，由此减少了数据在内存与CPU之间传递的时间，如下图所示，
（图片来自https://ercim-news.ercim.eu/en115/r-i/2115-in-memory-computing-towards-energy-efficient-artificial-intelligence）
牛津大学研究组通过光芯片的方法，实现了光学的内存内计算。他们在SiN波导上方生长一层Ge2Sb2Te5（以下简称GST）, 如下图所示，
（图片来自文献1）
SiN波导与GST层之间存在消逝波耦合，因此会有部分能量被GST吸收。GST材料在吸收了一定的能量后，会发生相变，从晶体变成非晶态。当逐渐增加SiN波导中的光强，达到阈值后，GST材料发生相变，成为部分非晶态，如下图所示。根据光强吸收的比例变化， 可以编码信息。
（图片来自文献1）
实验中，需要首先输入write脉冲，其能量大于阈值，使得GST材料发生相变。接着输入in脉冲，其能量小于阈值，不会使得GST材料的状态发生改变。in脉冲经过SiN波导后，其能量会因为GST层的吸收而发生改变，由此最终光场的能量，携带了两部分信息，也即完成了乘法运算c=a*b，如下图所示。其中a是GST相变后系统的透过率，b为输入脉冲in的能量，c为最终的光强。由于Pin小于阈值能量，因此其不会改变GST的状态，由write脉冲存储在GST中的信息不会改变。
（图片来自文献1）
为了证实透过率与输入脉冲的能量成线性关系，研究人员进行了相关的实验表征，如下图所示。在340pJ以下，透过率的改变与输入脉冲的能量变化满足线性关系。
（图片来自文献1）
此外，为了证实GST的状态不会随着时间变化，他们进行了长时间的光强测试（约9小时），
（图片来自文献1）
从上图可以看出，即便write脉冲撤离后，系统的透过率也不会发生变化，GST的状态只有在输入清除(erase)脉冲，重新输入write脉冲后才会发生变化。这一性质，与非易失性（non-volatile）存储器非常类似。
实验中，他们演示了标量相乘，即c=a*b, a和b只能取0或者1，实验结果如下图所示，
（图片来自文献1）
其中Pin_1=1, Pin_2=0.4, 对应的计算为1*0=0， 1*1=1， 1*0.4=0.4。最终的输出结果对应上图中40-70ns内的光强。
此外，他们也演示了1*2维矩阵与 2*1维矢量的相乘，其光路图如下，
（图片来自文献1）
上述结构通过不同时刻输入多个脉冲，还可演示更大的矩阵相乘。例如2*2矩阵与2*1向量的相乘，其光路图如下图所示，
（图片来自文献1）
以上是对该进展的简单介绍。虽然目前该体系只能演示较简单的矩阵乘法运算，但毕竟迈出了最重要的一步。几点comments：
1) 采用了GST相变材料，利用其相变带来的透过率变化，来存储信息。但GST材料对加工工艺有特殊的要求。
2）所有信息都是通过光学方法写入，矩阵元的信息通过write脉冲写入，而矢量的信息由in脉冲写入。信息全部编码在光脉冲上，而不是通过电光转换的传统方法。
3）GST相变带来的透过率改变可以编码为多个比特，实验中演示了13个不同的状态。这一点非常诱人，信息容量非常大。
4）实验中没有演示较大的矩阵乘法，期待后续工作的更新。只有能够进行较大的矩阵乘法计算，证明该系统的可扩展性，才有实用的可能性。
5）由于采用了pump-probe方法，光芯片的外部光路非常复杂，这也对其实用化带来了挑战。
文章中如果有任何错误和不严谨之处，还望大家不吝指出，欢迎大家留言讨论。
参考文献：
1. C. Rios, et.al., "In-memory computing on a photonic platform ", Science Advances 5, 5759(2019)
