光學神經網路與分散式聲學感測的完美結合：基礎設施監控的新革命

分散式聲學感測（DAS）系統是基礎設施監控領域的尖端技術，能夠偵測沿著數十公里光纖電纜傳遞的微小振動。這項技術在地震偵測、石油探勘、鐵路監控以及海底電纜監視等應用中展現了無可取代的價值。然而，這些系統產生的大量資料在處理速度上形成了顯著的瓶頸，限制了其在需要即時反應的應用中的效能。

機器學習技術，尤其是神經網路，已成為更有效率處理DAS資料的潛在解決方案。儘管傳統電子計算（使用CPU和GPU）的處理能力在過去幾十年中大幅提升，但其在速度和能源效率方面仍面臨根本性限制。相較之下，光學神經網路利用光而非電進行計算，提供了一種革命性的替代方案，可能在極低功耗下實現更高的處理速度。

然而，將這些光學計算系統與DAS技術整合面臨了顯著的技術挑戰，特別是在處理複雜資料結構和確保精確訊號處理方面。在此背景下，由中國南京大學的鄒寧牧教授領導的研究團隊，提出了一種創新方法來克服這些主要障礙。他們的研究報告發表於《Advanced Photonics》期刊，探討了其新開發的「時間-波長多工光學神經網路加速器」（TWM-PNNA）在處理DAS系統資料中的應用。

鄒教授表示：「這項突破性工作首次成功將光學神經網路與DAS系統整合，並能處理即時資料處理。」研究團隊開發了一種系統架構，將傳統電子神經網路運算轉化為光學過程。他們的方法利用多個可調鐳射器發射不同波長的光來代表神經網路的卷積核心——從輸入資料中提取特徵的數學濾波器。

為了實現這一目標，他們首先必須將DAS系統的兩維資料轉換為一維向量，並使用成熟的馬赫-曾德爾調變器將其編碼到光學訊號上。團隊採用波長選擇開關為不同波長通道分配特定權重，從而使用光訊號而非電子計算來實現卷積運算。

研究人員還專注於解決兩大技術挑戰：減輕調變啁啾（頻率變化）對光學卷積的影響，以及開發可靠的方法來實現光學全連線運算。透過詳細實驗，他們發現由調變啁啾引起的波長偏移與相鄰鐳射通道之間的波長間距的比率是評估效能影響的關鍵指標。

更具體來說，當這一比率超過0.1時，識別準確率會受到顯著影響。透過實施推輓調變技術或降低這一比率，研究人員能夠大幅減輕啁啾的影響，並實現超過90%的分類準確率，接近傳統電子系統的98.3%。

此外，研究人員發現，只要在修剪後保留至少60%的全連線引數，系統的分類準確率就能保持在90%以上。這一發現為進一步減少模型大小和計算負擔而不犧牲效能開啟了大門，使得這些光學系統更便宜且更易於生產。

提出的TWM-PNNA系統展示了令人印象深刻的計算能力，每秒執行1.6兆次運算（TOPS），能源效率為每瓦0.87 TOPS。理論上，該系統可達到81 TOPS的速度，能源效率為每瓦21.02 TOPS，在效能上超越了同類電子GPU數個數量級。

總體而言，TWM-PNNA為DAS系統提供了一種新穎的計算框架，為DAS與高速計算系統的全光融合鋪平了道路。這項研究代表了下一代基礎設施監控技術的重要一步，能夠即時處理大量感測器資料。如果成功，解鎖DAS的真正潛力將可能徹底改變關鍵基礎設施保護、地震監控和交通安全的應用。