报告人：陈在俊 教授
报告人单位：南加州大学电子工程系
主持人：闫明 教授
报告时间：2023年8月16日（周三）下午16:00
报告地点：华东师范大学光学大楼B225会议室
报告人简介：
陈在俊，南加州大学助理教授，博士生导师。于2019年在德国马普量子光学研究所获得物理学博士学位（最高荣誉），师从2005年诺贝尔奖得主T. W. Haensch 教授。博士毕业后，在麻省理工学院Dirk Englund教授实验室开展博士后研究工作。2023年起在南加州大学任职。长期从事光学人工智能、集成光学、光学频率梳和精密测量等方面研究工作。在Nature Photonics，Science， PNAS，Nature Communications上发表多篇论文。并获得多个奖项，包括2023 SPIE 人工智能和机器学习最佳论文奖， 2023 Sony Faculty Innovation Award, 2022 OECC/PSC Best Paper Award等。现任Advanced Photonics (IF=13.6) 杂志青年编委。
报告摘要：
光学芯片由于超高光学带宽、并行运算能力、低损耗的数据传输，有可能在短期内实现几个数量级的算力突破，成为下一代计算处理器。然而，目前光计算芯片的性能（能耗、计算密度和算力大小等各个方面）仍然比电子计算芯片低很多，且可规模化程度低。主要原因包括（1）电光转换的效率较低导致的高能耗；（2）集成光器件的尺寸较大导致单位芯片面积计算密度低；（3）缺少非线性运算导致高延时。（4）集成芯片元件数量的限制导致可规模化程度低等。近期，我们团队首次采用激光阵列模拟细胞神经网络，开发了一种全新的光芯片架构，实现了整体性能突破。第一次实现光学计算芯片对电子计算的优势，提升了100倍的能量效率和20倍的计算密度，并有望在近期内实现多个数量级的提升。
参考文献
[1] Zaijun Chen, et al, Deep Learning with Coherent VCSEL Neural Networks, Nature Photonics 17, 723–730 (2023).
[2] A. Sludds, Z, Chen, et al, Delocalized Photonic Deep Learning on the Internet's Edge, Science 378, 270-276 (2022).
[3] Z Chen, TW Hänsch, N Picqué, Mid-infrared feed-forward dual-comb Spectroscopy, Proceedings of the National Academy of Sciences 116 (9), 3454-3459 (2019).
[4] Z. Chen, M Yan, TW Hänsch, N Picqué, A phase-stable dual-comb interferometer, Nature communications 9 (1), 3035 (2018).