人工神经网络广泛用于重要领域，例如人脸识别，语音翻译，医学诊断和自动驾驶。它的性能主要取决于硬件的计算能力。当前，广泛使用的神经网络硬件是基于数字电子体系结构的。但是，这种体系结构的两个基本限制-冯·诺依曼的瓶颈和电子费率瓶颈，极大地限制了神经网络硬件的潜在计算能力。首先，在数字体系结构中，数据的存储和计算是分布式的。因此，在计算过程中，重复读取和存储数据会消耗大量的能量和计算能力。这个限制称为冯·诺依曼（von Neumann）。瓶颈。其次，由于电子微处理器中的寄生电容和互连延迟问题，电子系统具有固有的带宽限制。结果，在过去的十年中，电子微处理器的主频率实际上没有显着增加。此限制也称为“电子费率瓶颈”。光子神经网络工作在模拟体系结构中，也就是说，硬件系统中数据的实时位置与执行操作的位置相同，从而避免了冯·诺伊曼瓶颈。此外，高达数十太赫兹的频谱还为高速操作提供了足够的带宽。目前，来自加利福尼亚大学，麻省理工学院，芒斯特大学等单位的研究团队在网络规模，集成和片上存储方面取得了一系列突破，但尚未达到很高的计算速度。具有高维数据处理能力，光子神经网络的超高计算潜力尚未得到证实。最近，澳大利亚研究人员许兴元博士（莫纳什大学），谭梦喜博士，大卫·莫斯教授（斯威本科技大学），阿南·米切尔教授（皇家墨尔本理工学院）等人已经提出并实现了光子卷积加速器首次基于波长和时间交织。该文章在《自然》杂志上发表，标题为“用于光学神经网络的11TOPS光子卷积加速器”。通过采用集成的高质量因子，高非线性微环和波导色散控制，研究人员已经实现了具有高相干性和易产生性的集成Kerr孤子晶体光学频率梳。研究人员在光频率梳上进行频域整形，并将其与高速光电调制相结合，以实现对并行波长信道上的输入数据进行多播和加权，然后使用光学色散介质作为缓冲器来步进多播信号。 （步长是单个符号的持续时间），以便将符号在时域中需要加权和求和的不同波长通道中对齐，最终实现处理的高速实时读取通过光电转换得到的结果（如图1所示）。通过这一系列步骤，波长架构的卷积窗口（感知域）可以在时域中以超过60GBaud的速率滑动，并结合了Kerr光学频率梳（C波段中的90个波长通道）实现的高并行度）达到11TOPS（每秒的总操作数）的计算速度意味着每秒可以完成11万亿次操作。图1卷积加速器工作原理的来源：Nature589，44–51（2021）。通过一系列步骤，图1通过光频率梳在实际物理系统中实现了数学模型抽象的神经元突触，其中突触连接的权重由光频率梳的光功率反映出来。最终实验验证了高维图像处理（实验结果如图2所示）和深度学习光子卷积神经网络（实验结果如图3所示）。图2卷积图像处理结果的图像来源：Nature589，44–51（2021）。图3在相关国际研究成果的基础上取得了几项突破，其中包括：1.由于集成的Kerr光学频率梳提供了大量的波长通道，因此计算速度首次突破了11TOPS。 2.首次实现了光学手段的使用。高维数据处理（250,000像素），显示了光子神经网络在实际应用中的进一步应用的可能性，例如面部识别； 3.实现了500张MINIST手写数字图片的高速分类预测，准确率超过88％； 4.实在