面向光子-电子混合神经网络的物料-功能映射路线图

受机器学习任务驱动，神经网络已展现出作为非线性假设分类器的有用能力。然而，在电子学中执行输入数据的点积乘法、求和与非线性阈值的底层技术受到与电子集成电路相同的电容挑战的限制。相比之下，光域提供了低延迟互连，适用于依赖密集节点间通信的此类节点分布式非冯·诺依曼架构。因此，一旦神经网络的权重设定，网络的延迟仅由光子的飞行时间给出，对于光子集成电路该时间在皮秒量级。然而，用于存储训练权重的存储器功能在光学中并不存在，因此需要重新审视以探索光子学与电子学在神经网络中的协同效应。在此，我们通过详细考察单节点感知机，讨论如何以光子-电子异质混合技术实现它，从而为新兴混合光子电子神经网络铺平道路提供路线图。我们展示存在一组材料，可在包括电学接触、存储功能、电光调制、光学非线性和器件封装在内的若干约束方面发挥协同作用。我们发现，特别是材料ITO可同时为感知机权重和非线性激活函数提供可行路径，同时又是代工厂工艺邻近材料。我们最后确定了一些挑战，若得以解决，可加速将新兴存储材料异构集成到集成光子平台中用于实时响应神经网络的战略采纳。