电子系博士生徐绍夫（指导老师：邹卫文教授）学位论文通过通讯评议，将于2022年1月5日（周三）上午举行答辩，具体信息如下：
答辩人：徐绍夫
指导教师：邹卫文 教授
答辩时间：2022年1月5日（周三）8:30-10:00
答辩地点：电信群楼1-418 或者腾讯会议：957 685 201
答辩委员会成员名单：
主席：陈明华 教授 清华大学（组长，线上)
委员：王兴军 教授 北京大学（线上）
委员：吴 幸 教授 华东师范大学（线下）
委员：吴 侃 教授 上海交通大学（线下）
委员：樊昕昱 研究员 上海交通大学（线下)
秘书：刘莉艳， 上海交通大学
【论文题目】智能光电融合信号处理的基本原理与关键技术研究
【论文摘要】
随着高速移动通信、大视频、人工智能、智能驾驶等新兴技术的加速发展与应用普及，下一代信息技术对高性能信号处理系统的需求日益提升。总体而言，信号处理系统的三大核心需求为宽带、智能、低延时。集成电路技术凭借持续增长的器件密度，性能持续突破，引领了信息技术半个世纪多的高速发展。然而，在数字信号处理模式下，传统的电学方法在应对上述的宽带化、智能化、低时延三项核心需求时正遭遇如下技术挑战。首先，宽带化意味着信号速度与密度的大幅提升，在同等吞吐率的情况下与信号处理的时延存在相互制约的矛盾关系。如今，集成电路的性能增速滞缓，逐渐步入“后摩尔时代”，仅依靠集成电路的尺度缩放与规模扩张越来越难以支撑宽带化与低延时需求的同步增长。其次，智能化的需求更加剧了这一矛盾关系。人工智能处理算法的计算量一般很大且在急剧增长，对于处理系统的吞吐率提出更高要求。因此，我们需要发展一种新型的信号处理模式，与传统电学数字处理模式相互补充彼此借力，以应对上述的技术挑战，面向下一代雷达、通信、深空探测、智能计算、虚拟现实、智能驾驶等应用场景实现性能的跨越，助力于信息技术的持续发展。
在此应用需求驱使下，本文旨在利用光电处理与人工智能的优势互补特性，提出智能光电融合信号处理概念，既发挥光电系统的宽带高速处理能力，又利用人工智能的强大特征学习能力，从而突破传统数字信号处理模式的限制，为信号处理的宽带、智能、低延时需求提供新思路与新方法。本文分析了智能光电融合信号处理的基本原理，剖析其技术内涵，并提出逐次递进的关键技术。分别为：①面向宽带与智能需求的融合，利用人工智能赋能于光电信号处理系统，大幅提升宽带信号处理的性能；②面向智能与低延时需求的融合，利用光学器件的超高速处理特性，提升人工智能算法的执行速度与能量效率。③在上述两点创新的基础上，提出面向宽带模拟信号的光学智能处理技术，对宽带输入信号直接在光学系统中进行智能处理，输出分类、识别、特征等智能结果，为同时实现宽带、智能、低延时提供潜在方案。本文在上述原理与关键技术研究基础上，通过多单位联合，进行了系统样机开发与芯片样片研制，并开展了多项先进应用验证，在高分辨雷达、机器视觉、医学图像等应用领域展示了较好的应用前景。
本文取得的主要研究成果概括如下：
（1）提出并验证了人工智能赋能的光学模数转换技术。通过设计人工神经网络以及相应的训练方法，提升了光学模数转换系统的性能。相较于传统的信号校正方法，人工智能方法无需构建复杂的光学硬件调控系统，亦可达到较高的模数转换精度，实现的有效位数接近了系统噪声所定义的物理极限水平。通过进一步研究，提出了适用于不同光电系统的人工神经网络模型与训练方法，可以大幅降低了光电信号处理系统尤其是片上集成系统的调控难度。研制了人工智能赋能的光学模数转换系统样机，在超宽带微波光子雷达上进行了应用验证，在保持较高动态范围的前提下大幅度降低了接收机的复杂度。
（2）发展了光学赋能的人工神经网络处理技术。以卷积神经网络模型为对象，提出了三种新型的光学计算架构。其中，光学点积核架构解决了如何在光学系统上高效执行卷积计算的问题；光学张量核架构解决了如何在光学系统上实现神经网络训练的问题；光学卷积神经网络架构为实现更高的计算速度、能量效率、算力密度提供了新方案。理论评估表明，光学卷积神经网络架构在保证图像识别准确率达到98.9%的情况下，计算吞吐率可以超过100TMAC/s，能量效率可达到0.16pJ/MAC。
（3）根据理论研究成果，进一步设计并研制了两款光学神经网络芯片，分别实现了高精度计算与超高速计算能力，在智能医学图像重构与智能视频特征提取和动作识别两项应用上进行了验证。高精度计算芯片的医学图像重构质量与32位计算机相当；超高速计算芯片的时钟速率达到20GHz，算力密度达到0.588TOP/s/mm2，仅计算微环谐振器时算力密度可以达到2.78 TOP/s/mm2，实现了视频的动态提取、边缘检测等特征提取任务，在KTH视频数据集上的识别正确率达到了97.9%。
（4）提出面向宽带模拟信号的光学智能处理技术。相较于传统模拟域特征提取研究，本文面向超宽带信号的时空多维度智能处理，通过将光学器件与神经网络单元进行等价，形成了光学智能特征提取与光学智能特征变换两类架构，分别对应人工神经网络的特征提取与特征变换两个基本功能。通过理论仿真验证了原理的正确性。
本文通过原理、架构、实验、样机样片、应用验证等多维度研究，初步探明了智能光电融合信号处理概念的可行性，攻关了相关的关键技术。通过后续的深入研究与持续发展，智能光电融合信号处理可以为实现宽带、智能、低延时的下一代信息技术和创新应用提供新途径和新方法。