01导读

近日，浙江大学林宏焘研究员课题组提出了突破纳秒级原位训练的低静态能耗的光子器件的解决方案：将集成低损耗相变材料（Sb₂Se₃）与PIN二极管嵌入式微环谐振器集成，实现2 μm波段的易失性调制速度为15.2 MHz的光子存储器。从而实现兼容光神经网络原位训练和数据存储分辨率＞5比特的光子存储器。该研究开创了光子存储器的新范式，有助于进一步构建高效节能、大规模的光神经网络。

相关研究成果以“Electrically programmable phase-change photonic memory for optical neural networks with nanoseconds in situ training capability”为题，于2023年7月18日在线发表在Advance Photonics上。

02研究背景

近年来，随着自动驾驶、计算机视觉等的发展，对算力的需求急剧增加。光计算因其高通量、高能效、低延迟的优势，引起了学界和业界广泛的研究兴趣。然而当前传统热光及电光调制技术存在的功耗或尺寸的问题，限制了光计算网络规模的扩大。近年来新兴的非易失集成光子器件有望进一步实现存算一体，使得光计算芯片工作在零静态功耗下，从而极大降低芯片能耗、扩大矩阵规模并同时减少散热等问题。其中，相变材料由于其不同态之间的高折射率对比度（Δn=~0.5-3.5）、独特的自保持特性、非晶与晶态间可逆切换等特点，成为实现光子存储器及非易失性神经拟态光芯片、光学卷积核、偏微分处理器等应用中极具潜力的方案之一。尤其是近年来新开发的低损耗相变材料（Sb₂Se₃、Sb₂S₃）实现了近零吸收损耗的相位调控，进一步为大规模非易失性光计算芯片奠定了基础。然而，基于相变材料的非易失性集成光计算芯片虽具有低静态功耗的优势，但其单次开关功耗相对较大且切换速度较慢。因此，适用于在线训练的光子存储器尚未攻破。

03研究创新点

如图1（a）所示，本设计采用剥离方案制备在掺杂硅波导上方直接沉积相变材料。从而保证了相变材料与硅紧密贴合，提高加热效率的同时采用倏逝波耦合；最终提升了相变材料的调控效果的同时降低了模式失配的损耗。与此同时，本工作采用PIN二极管，在实现电脉冲诱导的相变材料状态电热调的同时，极大的降低由于掺杂带来的光学损耗。并且，开创性的利用硅的自由载流子色散效应实现了不影响相变材料状态的快速易失性调控。首次实现了易失性与非易失性兼容的光子存储器设计（图1（b））。通过系统性的研究PIN二极管的电脉冲响应，分析了实现相变材料调控的最低驱动（幅度、脉宽）电脉冲条件，为进一步实现多级、低驱动电压、快速开关奠定基础（图1（c））。

图1 光子存储器设计与工作原理。（a）器件结构示意图、热场分布（6 V/500 ns脉冲）和器件光场分布图。（b）光子存储器的工作原理。器件晶化过程（c）和非晶化过程（d）对不同脉冲幅度和脉冲持续时间的单脉冲的热响应。标注的等温线分别为达到结晶温度（）与融化温度（）。

本工作采用项目晶圆（MPW）与电子束曝光（EBL）工艺进行器件制备，在实现晶圆级硅光波导制备与掺杂之后，采用分片形式进行器件制备；增加了器件制备的自由度（见图2（a））。光子存储器的器件结构如图2（b）所示。通过施加不同条件的电脉冲，能够实现消光比＞10 dB的器件工作状态切换。与此同时，通过连续施加不同条件的脉冲，能够实现单一波长下器件透射率的多级调控（＞5 bits），即实现多比特信息存储能力（如图3所示）。器件的可逆切换与多级调控使得进一步实现光学神经网络的权重记忆成为可能。在一些零星编程的应用场合下，该器件极具优势。

图2 非易失智能光开关的器件性能。（a）器件制备工艺流程。（b）Sb₂Se₃异质集成器件显微镜图片。插图显示了PIN波导区域顶部的Sb₂Se₃（阴影标注区域）的扫描电子显微镜图像。（c）微环器件开关光谱。

图3 不同脉冲条件下的器件多级调控效果与最小有效电压。（a）非晶化（2024.59 nm）与（c）晶化（2024.25 nm）过程器件多级调控效果。插图为随机选择的存储态放大的结果。（b）非晶化和（d）晶化过程中不同电压和麦克下器件的透射率变化。

在相变材料处于非晶态时，通过施加偏置电压，实现了消光比＞10 dB的器件工作状态切换（图4（a））。并且，由于该方案利用硅的自由载流子色散效应，能够实现10纳秒级别的易失性工作状态切换（图4（b））。借助光子存储器的这一易失性调控，能够构建一些如图5（a）的非易失智能光计算网络，利用易失性调控进行原位训练的同时，利用电脉冲能够实现权重写入的功能（见图5（b））。本工作通过理论仿真验证了在一定的光学神经网络架构下，5 bits的光子存储器能够实现权重信息存储的同时保证光学神经网络保持较高的识别精度。

图4 Sb₂Se₃基微环的易失性调制。（a）不同正向偏压下的归一化透射光谱。（b）器件的动态响应测试结果。

图5 基于易失性调制兼容的光子存储器的光学卷积核。（a）光学卷积核的结构示意图。插图为对光学卷积核进行权重信息存储的任意态配置示意图。（b）光学卷积核的在线训练与权重写入操作示意图。仿真的光学神经网络训练后的预测精度（c）与写入光子存储器后的预测精度（d）。

04总结与展望

光学神经网络有望实现高算力硬件以满足现有人工智能等应用场景的需求。基于硫系相变材料的光子存储器能够实现零静态功耗的信息存储，是实现低功耗智能光计算芯片的有力解决方案。本工作为实现片上非易失智能光计算芯片的原位训练提出了新的解决方案，开创了原位训练兼容的光子存储器，为进一步实现新型低能耗智能光计算芯片奠定了基础。

此项工作由浙江大学、西湖大学、中国科学院微电子研究所和北京大学合作完成，浙江大学为第一单位。浙江大学林宏焘研究员为论文通讯作者；浙江大学2019级博士生魏茂良与浙江大学李钧颖副研究员为论文共同一作；该工作的合作者还包括浙江大学本科生贾志琦、博士生雷坤皓、博士生许恺、钟础宇博士、博士生马辉、孙颖博士、沙威研究员、杨建义教授，西湖大学陈泽群博士、吴江宏博士、博士生叶羽婷、博士生菅佳玲、孙春雷博士、李兰研究员，中国科学院微电子研究所唐波、张鹏、刘若男以及北京大学胡小永教授。该项研究工作受到了国家重点研发计划、国家自然科学基金和浙江省自然科学基金等项目的支持。

论文链接：https://www.spiedigitallibrary.org/journals/advanced-photonics/volume-5/issue-04/046004/Electrically-programmable-phase-change-photonic-memory-for-optical-neural-networks/10.1117/1.AP.5.4.046004.full?SSO=1