《神经形态光子学》一书对神经形态计算（类脑计算）系统和工程及相关概念作了详尽介绍，充分阐释了这一技术如何将机器学习和人工智能算法以及反映其分布性质的硬件进行匹配，并对相关的概念、理论、方法进行了深入分析。

《神经形态光子学》由院士作序推荐，汇聚知名专家深厚智慧与前沿洞察的权威之作，正式揭开下一代计算架构的神秘面纱。

本书精准捕捉到了计算科学的未来脉搏。它深刻剖析了传统冯·诺依曼架构的局限，并引领我们迈向以神经形态计算为核心的新时代。神经形态光子学这一跨界融合的结晶，将神经网络与光电子硬件完美同构，以高计算能力、超低延迟、绿色节能的卓越性能，重新定义了机器学习与信息处理的边界。

《神经形态光子学》不仅是一部详尽的技术指南，更是一次思维与创新的碰撞。王斌博士及其团队倾心翻译，确保了内容的专业性与可读性。Paul R. Prucnal与Bhavin J. Shastri两位巨擘的原著，历经多年深耕细作，凝聚了他们对这一领域的深刻理解与独到见解。书中不仅深入剖析了神经形态计算系统的核心原理与工程实践，还展望了其在新技术、新应用领域的广阔前景，为研究者们提供了宝贵的思路与灵感。

此书不仅是神经形态光子学研究者的经典，也是光子学、神经科学、计算机科学等领域学者的宝贵参考。它如同一座桥梁，连接着理论与实践，过去与未来，为推动神经形态光子学乃至整个计算科学的发展贡献着不可估量的力量。

我们诚挚邀请每一位对科技前沿充满好奇与热情的读者，一同翻开《神经形态光子学》的篇章，共同见证并参与这场计算领域的革命性变革！

光子学让信息通信发生了革命性的改变，但与此同时，电子学仍对信息处理起着主导作用。如今，人们一直坚定不移地对光子学和电子学在同一界面上的交集进行探索，这在一定程度上是由摩尔定律的发展所驱动的它在不断地接近人们预料之中的终点。比如，数字处理的计算效率（每焦耳的乘积累加运算或MAC操作）已经稳定在100 pJ/MAC左右。因此，现在的计算效率和下一代需求之间的差距越来越大，比方说，大数据应用是需要先进的模式匹配和实时分析大量数据作为支撑的。反过来，这使得以下方面的研究取得迅速进步： ① 称为超越CMOS或超越摩尔的新兴设备；② 称为超越冯·诺伊曼的新型处理或非传统计算架构，这种架构受到大脑启发，即具备神经形态学特性；③ 与CMOS兼容的光子互连技术。总的来说，这些研究为可重构的新兴光子硬件平台和我们所说的可编程光子集成电路（POIC），如光子尖峰处理器，提供了机会。在不久的将来，这种芯片可以结合超快运行、中等复杂性和完全可编程性等特性，扩展应用的计算范围，如高超声速飞机的导航控制和射频（RF）频谱的实时传感和分析。
在本书中，我们探讨了这样一个平台的当前进展和发展需求。在光子尖峰处理器中，信息经过编码，成为尖峰（或光脉冲）的时间和空间域中的事件。这种混合编码方案在振幅上是数字的，但在时间上是模拟的，并得益于模拟处理的带宽效率和对数字通信噪声的鲁棒性。光脉冲由某一类表现为可激发性的半导体器件接收、处理和产生一种对小扰动的全响应或无响应的非线性动力学机制。在可激发状态下工作的光电器件在动态上类似于在神经元生物物理学中观察到的脉冲动力学，但速度大约快8个数量级。我们称这些器件为光子神经元或激光神经元。其中一些器件可以同时演示逻辑电平恢复、级联性和输入/输出隔离，这一直是光学计算的关键基本障碍。
该领域的研究发展现正处于一个关键转折点从研究单一可激发（尖峰）器件转向研究此类器件允许建立光子尖峰处理器的互联网络。最近提出的一种称为广播和权重的片上网络架构，可以支持使用波分复用的可激发器件之间的大规模并行（全对全）互连。
混合ⅢⅤ族化合物和硅的光子学平台是作为集成硬件平台的一种选择。ⅢⅤ族化合物半导体技术，比如利用磷化铟（InP）和砷化镓（GaAs），是一种提供如激光器、放大器和探测器等有源元件的前沿技术。同时，利用硅实现了与CMOS制造过程和低损耗无源元件（如波导和谐振器）的兼容性。可激发激光器的可扩展和可完全重构的可激发激光器网络能够应用在现代混合集成平台的硅光子层上，其中键合InP层中的尖峰激光器通过硅层紧密连接。这样的光子尖峰处理器将有可能支持数千个互连器件。根据预测，这种芯片的计算效率为260 fJ/MAC，在高速运行（即信号带宽为10 GHz）时能超过能源效率壁两个数量级。随着光子集成电路（PIC）性能和规模的提高，光子脉冲处理器这一新兴领域受到了极大的关注并不断发展。随着新技术的应用（如射频频谱的应用）对实时、超快处理等特性的要求不断严苛，我们期望这些系统可以在各种高性能、对时间要求严格的环境中发挥作用。
在本书中，我们想为这一领域提供一个完善的解决方案，从理论考量到实验探索，从器件层面的基础载流子和光子动力学，到系统层面的网络和扇入。展望未来，我们设想人们会对设计、构建和理解用于超快信息处理的可激发元件的光子网络产生极大兴趣，其部分灵感来自于最新的大脑计算模型。小规模光子脉冲处理器的成功应用，原则上可以为建立和研究基于激光可激发性的更大规模的受大脑启发的网络提供基础技术。最后，虽然这本书会吸引大多来自光子学和光学领域的读者们，但我们希望它也将有助于促进光子学和光学、神经形态工程、信号处理这些跨学科领域之间从基本原理到实际应用等各方面的对话。

Paul R. Prucnal，普林斯顿大学电气工程教授，光通信与光子技术领域的杰出学者。他在光码分多址及自路由光子交换领域贡献卓越，开创研究新纪元，引领超千篇论文发表。其发明的太赫兹光学非对称解复用器，革新了高速光开关技术。作为多部重要著作的编辑及作者，他拥有丰富学术成果与专利，荣获OSA与IEEE会士称号，及多项荣誉奖章，彰显了他在光子交换与光网络领域的领军地位。

Bhavin J. Shastri，电气工程博士，毕业于加拿大麦吉尔大学，现任普林斯顿大学副研究员。他的研究跨越了超越CMOS与摩尔定律的设备、光子技术、神经形态计算等多个前沿领域，贡献卓著。作为IEEE与OSA成员，他荣获多项国际研究奖项，包括班廷博士后奖学金、阿姆布里奇奖等。沙斯特里博士不仅在学术上成就斐然，还积极参与学生组织，担任麦吉尔大学OSA学生分会主席，展现了他的领导才能与团队精神。

王斌，博士。现任光子集成（温州）创新研究院常务副院长。获得中科院科技成果转化奖一等奖、北京市科学技术奖二等奖、2013年北京市科技新星、2014年北京市优秀青年人才、全国光电测量标准化委员会（TC487）委员、光学工程学会高级会员，Risc-V联盟成员。

第1章神经形态工程1
1.1光子脉冲处理5
1.2神经形态架构的技术平台6
1.3新兴光子平台面临的挑战8
1.4计算机光学简史8
1.4.1光学逻辑8
1.4.2光学神经网络9
1.4.3片上光网络10
1.5应用领域10
1.5.1实时射频处理11
1.5.2非线性规划12
1.6本书的结构13
1.7参考文献14
第2章脉冲处理和可激发性入门23
2.1神经网络简介23
2.2脉冲神经网络25
2.3脉冲神经元模型28
2.4可激发性机制30
2.5参考文献34
第3章光子学入门38
3.1波导38
3.1.1弯曲波导40
3.1.2波导耦合器40
3.1.3干涉仪42
3.1.4调制器43
3.1.5复用44
3.2光探测器45
3.2.1光电二极管46
3.2.2检测噪声48
3.3光学谐振器50
3.4激光器55
3.4.1光物质相互作用55
3.4.2ⅢⅤ平台59
3.4.3激光动力学60
3.5参考文献62
第4章SOA动态的脉冲处理65
4.1基于SOA的光子神经形态原语65
4.2光波神经形态电路69
4.2.1仓鸮听觉定位算法69
4.2.2小龙虾的翻尾逃逸反应71
4.3参考文献73
第5章用于统一尖峰脉冲处理的可激发激光器76
5.1介绍76
5.2动力学模型78
5.3可激发激光系统81
5.4结果84
5.4.1可激发性84
5.4.2时间模式识别87
5.4.3稳定循环电路89
5.5讨论89
5.6附录90
5.6.1光纤激光器仿真90
5.6.2集成器件仿真92
5.6.3可激发光纤环形激光腔94
5.7参考文献94
第6章作为可激发处理器的半导体光子器件100
6.1两端增益和SA可激发激光器101
6.2半导体环和微盘激光器106
6.2.1半导体环形激光器106
6.2.2微盘激光器110
6.3二维光子晶体纳米腔115
6.4谐振隧穿二极管光探测器和激光二极管121
6.5具有延迟反馈的注入锁定半导体激光器127
6.6半导体激光器受到光反馈的影响130
6.7极化反转VCSEL134
6.8参考文献137
第7章硅光子学147
7.1SOI波导148
7.2片外耦合器150
7.3调制器155
7.4探测器157
7.5混合激光源159
7.6参考文献161
第8章可重构模拟光子网络168
8.1广播和权重协议169
8.2处理网络节点169
8.2.1波分复用加权加法171
8.2.2总功率检测172
8.2.3非线性电/光转换173
8.3广播环路174
8.4多重广播环路176
8.5讨论180
8.6总结181
8.7参考文献182
第9章光子权重库185
9.1演示188
9.2MRR权重库的控制190
9.2.1设置和方法190
9.2.2单通道连续控制192
9.2.3多通道同步控制195
9.3MRR通道间的相干效应200
9.4光子权重库的定量分析203
9.4.1串扰权重功率代价指标204
9.4.2权重库通道限制207
9.5WDM加权的数学描述209
9.6可调谐波导器件的仿真技术210
9.6.1广义传输理论211
9.6.2参数化传输模拟器215
9.7附录： 高级权重库设计216
9.8附录： 基本微环特性217
9.8.1光学表征218
9.8.2调谐效率219
9.8.3故障表征219
9.8.4驱动器设计220
9.9参考文献221
第10章处理网络节点226
10.1PNN的演示226
10.2PNN的理论研究231
10.2.1电子突触234
10.2.2激光神经元236
10.2.3讨论238
10.3其他PNN的表述方式239
10.3.1O/E/O PNNs的分类239
10.3.2O/E/O和全光PNN的比较241
10.3.3全光PNNs242
10.4参考文献245
第11章系统架构251
11.1广播和加权系统251
11.1.1广播拓扑251
11.1.2加权并继续的级联库253
11.2延时动力学的权重库控制255
11.3小型光子神经网络258
11.4多重广播环路系统260
11.4.1广义接口PNN261
11.4.2作为嵌入图的多重广播环路262
11.4.3多重广播环路嵌入到功能网络的映射264
11.4.4功能网络到多重广播环路嵌入的映射264
11.4.5使用Nengo的设计实例267
11.4.6一般系统的初步结构指南268
11.5容错性270
11.6参考文献272
第12章神经网络学习原理275
12.1主成分分析（PCA）276
12.1.1PCA的数学公式276
12.1.2Oja定律278
12.2独立成分分析（ICA）279
12.3使用STDP和IP的无监督学习283
12.3.1突触时间依赖性的可塑性283
12.3.2内在可塑性284
12.3.3使用SDTP和IP进行独立成分分析284
12.4光子学习电路的实验进展286
12.4.1光子PCA286
12.4.2光子STDP288
12.5参考文献292
第13章光子储层计算297
13.1储层计算297
13.1.1线性分类器和储层298
13.1.2基于网络的储层计算300
13.1.3基于延迟的储层计算302
13.2光子储层计算306
13.2.1具有单个动态节点的储层计算307
13.2.2利用硅光子芯片进行储层计算311
13.3讨论314
13.4参考文献315
第14章神经形态平台比较320
14.1简介320
14.2技术比较322
14.2.1电子和光子神经硬件架构323
14.2.2速度： 带宽和延时326
14.2.3功耗： 能量和噪声329
14.2.4尺寸： 器件密度和可扩展性333
14.2.5网络： 通道和拓扑限制334
14.3参考文献336