Интеллектуальные технические системы на основе фотоники

Введение. Фотоника и цифровая электроника

Фотоника — отрасль науки и технологии, занимающаяся фундаментальными и прикладными аспектами работы с оптическими сигналами, а также созданием на их базе устройств различного назначения. На сегодняшний день становится понятно, что закон Мура, в одной из интерпретаций обещающий удвоение производительности процессоров каждые 18 месяцев, перестаёт выполняться по причине достижения объективных физических пределов транзисторов. Классической микроэлектронике всё сложнее обеспечить потребности современных стандартов передачи данных (5G+ и 6G), современных запросов вычислительных мощностей. По этой причине внимание научного сообщества вызывают альтернативные техноло- гические платформы, наиболее перспективными среди которых на сегодняшний день являются квантовые системы и системы на основе нанофотоники.

Неразрывная связь между цифровой электроникой и фотоникой возникла в середине 70-х годов прошлого века с появлением игровых видеоприставок, первых персональных компьютеров и вошла в новую фазу с появлением смартфонов и цифрового телевидения в середине 90-х. Создание компактных лазеров, развитие волоконно-оптической связи, появление всё более совершенных преобразователей оптических сигналов - это способствовало становлению фотоники и как фундаментальной науки, и как самостоятельной отрасли техники с огромным прикладным потенциалом.

Сейчас от фотоники ожидают решения более амбициозных задач. Интернету вещей ( IoT ), ограниченному возможностями Wi-Fi , требуются новые разработки в области волоконной оптики и систем оптической связи в свободном пространстве и Li-Fi (оптическая версия WiFi ). Глубокое обучение искусственного интеллекта невозможно без огромных вычислительных ресурсов, которые могут дать оптические вычисления. Оптическая связь в инфракрасном диапазоне и через Li-Fi может обеспечить высокоскоростное беспроводное соединение с очень малым числом ошибок. Энергоэффективные фотонные датчики станут основой для более совершенных систем IoT ; собранная ими биометрия и оптическая информация, поможет сделать беспилотный транспорт ещё безопаснее, а Умные города ещё комфортнее. Разработка вычислительных устройств нанофотоники вызывает интерес не только в академическом сообществе, но и в коммерческой сфере. Так, собственные разработки в области кремниевой фотоники ведут компании Intel [1] и IBM [2].

В статье рассмотрено применение фотоники в интеллектуальных технических системах, предназначенных для повышения качества среды обитания в рамках концепции Умного дома и Умного города.

1    Фотоника и социально-экономические вызовы цифровой трансформации

Фотоника рассматривается как наиболее перспективное средство ответа на социальноэкономические вызовы цифровой трансформации. На протяжении последних десятилетий растут объёмы генерируемой информации, источниками которой являются системы видеонаблюдения, системы IoT , автономный транспорт, цифровая медицина и др. Это приводит к тому, что большинство данных, сгенерированных в течение последнего десятилетия, никогда не были обработаны или проанализированы. Растут требования к безопасности и контролю качества среды обитания человека. Появляется необходимость использовать новые возможности мониторинга окружающего пространства для задач контроля окружающей среды, состояния продукции, контроля состояния и безопасности материалов и конструкций, разработки гибридных систем визуализации и слежения для автономного транспорта, робототехники и др. Выдвигаются новые требования к системам передачи данных: низкая латентность («мгновенный» отклик), высокая (абсолютная) защищённость каналов, универсальный доступ (по принципу «всегда и везде»), возможность безграничного масштабирования; к системам навигации и технического зрения: сантиметровая точность навигации и позиционирования, функционирование в отсутствие спутникового сигнала, наблюдение в расширенном спектральном диапазоне.

Возрастают требования по скоростям и объёмам передачи и обработке информации, связанные с тем, что электрические соединения не обеспечивают необходимый рост тактовых и несущих частот. Требуемые скорости передачи и обработки информации могут быть достигнуты только с применением фотоники, обеспечивающей безопасность, доступность и масштабирование (оптоволоконная, атмосферная и космическая связь). Фотоника – основная

«поддерживающая» технология для обеспечения целевых характеристик беспроводных сетей будущего. Фотоника начинает дополнять электронику при скоростной передаче данных на уровне электронных микросхем и отдельных чипов. Замена электрических каналов связи на оптические приводит к: уменьшению потерь и энергопотребления, уменьшению веса и стоимости, повышению устойчивости к воздействию внешнего электромагнитного излучения (ударам молнии и другим мощным электрическим воздействиям, что актуально для управления инженерными сооружениями, такими как Умный дом или самолёт).

Для «очувствления» роботов требуются сенсоры новых типов, к которым выдвигаются повышенные требования: использование новых спектральных диапазонов (ближний и дальний инфракрасный, терагерцовый и др.), высокая чувствительность (точность идентификации вплоть до одной молекулы примеси, точность позиционирования до десятков сантиметров при спутниковой навигации), дистанционность (работоспособность на расстоянии километров до объекта), миниатюрность (размер сенсора до 1×1 мкм), доступность (стоимость несколько евро за матрицу сенсоров).

2    Повышение безопасности среды обитания и качества жизни

Важным и перспективным применением фотоники в рамках концепции Умного города могут стать системы уличного освещения, совмещающие в себе функции интеллектуального освещения (освещения с управляемой формой и спектральным составом), атмосферной оптической связи для обмена информацией, системы мультиспектральной визуализации в различных диапазонах спектра (видимый, инфракрасный, терагерцовый), системы сенсоров для наблюдения за окружающей средой, системы слежения за пешеходами и трафиком, передачи опорного сигнала для систем сверхточной навигации, технологии IoT для сбора, передачи и анализа получаемой информации.

Наиболее распространённым и перспективным подходом для решения прикладных задач повышения качества жизни является применение сенсоров и датчиков, основанных на методах оптической спектрометрии. Применение расширенного спектрального диапазона позволяет детектировать объекты, не видимые человеческому глазу. Методы оптической спектроскопии позволяют, в частности, надёжно определять наличие и концентрацию веществ в смесях без необходимости добавления специальных веществ-меток. Идентификация веществ посредством спектроскопии нашла широкое практическое применение при обеспечении безопасности (идентификация взрывоопасных примесей в порошках, жидкостях, атмосфере, выявление загрязнений окружающей среды), в фармацевтике и здравоохранении (ранняя диагностика заболеваний, определение патологических тканей), контроле качества продуктов питания и промышленных товаров (анализ качества лакокрасочных покрытий, моторного топлива), сельском хозяйстве (анализ отклонений в составе плодов и листьев, раннее обнаружение заболеваний), в криминалистике (анализ состава вещества и наличия малых примесей) и др. [3-5].

Эффективные аналитические системы внелабораторного анализа состава веществ в твёрдой, жидкой и газообразной формах в реальном времени являются основным инструментом оценки состояния и угроз окружающей среды, здоровья человека и протекания технологических и природных процессов.

Для решения перечисленных задач необходима портативная мульти- и гиперспектральная аппаратура. Технологии интегральной фотоники позволяют радикально снизить стоимость и массогабаритные характеристики, а также расширить область применения технологий оптической сенсорики и спектроскопии.

3    Спектрометры на основе фотоники

При создании спектрометрических систем возникает задача разделения входящего излучения на большое число спектральных каналов, т.е. одновременной фильтрации большого числа длин волн. Распространённым подходом к решению данной задачи являются схемы Дайсона [6] и Оффнера [7]. Главным недостатком структур на их основе являются громоздкость и сложность в изготовлении, что приводит к необходимости создания гиперспектрометров на основе элементов нанофотоники.

В последние годы был предложен ряд реализаций устройств указанного типа на основе массивов интегральных волноводов [8, 9], нерезонансных дифракционных решёток эшелле (от фр. échelle – лестница) [10], фотонных кристаллов на основе суперпризм [11], микрорезонаторов [12], фильтров на основе резонаторов Фабри-Перо [13], фильтров на основе плазмонных решёток [14], слоистых структур с клиновидными слоями [15-19].

Другим перспективным классом структур для спектральной фильтрации являются цифровые планарные голограммы, интегрированные в двумерный волновод [20-24]. Цифровые планарные голограммы обладают хорошими рабочими характеристиками, однако крайне сложны в изготовлении.

В большинстве других подходов для спектрального анализа используются фильтры в виде «дискретного» набора резонансных структур (конечных «сегментов» дифракционных решёток, систем однородных слоёв или отдельных резонаторов) с различными фиксированными резонансными частотами. Получение различных резонансных частот достигается за счёт выбора геометрических параметров фильтра, в частности, периода сегмента дифракционной решётки, толщины одного из слоёв многослойной структуры или резонатора. Именно к этому классу структур относятся спектрометры на основе метаповерхностей, достаточно активно изучаемые в последнее время [25-27]. Количество спектральных каналов определяется числом резонансных структур, составляющих фильтр, что приводит к необходимости соблюдения баланса между спектральным разрешением, шириной рабочего диапазона и размером фильтра. Это существенно ограничивает практическое применение указанных спектральных фильтров. Также следует отметить высокую сложность изготовления массивов резонаторов (метаповерхностей).

Перспективным подходом к созданию спектральных фильтров, позволяющих осуществлять фильтрацию многих различных длин волн в различных областях фильтра, является использование резонансных дифракционных решеток, у которых один или несколько параметров меняются в «плоскости фильтра» (например, в направлении периодичности решётки или в направлении, перпендикулярном ему). В качестве изменяющегося параметра используется период дифракционной решётки [28, 29], толщина волноводного слоя [30-32], толщина дифракционной решётки [33, 34], скважность решётки [35]. В некоторых работах изменяются одновременно два параметра: период и толщина волноводного слоя [36-39]; период и высота решётки [40]. Большинство исследованных структур осуществляют фильтрацию в видимом диапазоне спектра, при этом ширина рабочего диапазона в разных работах варьируется от 21 до 400 нм. Такие структуры являются компактными, поскольку состоят из одного или двух (решётка и волноводный слой) слоёв. Они просты и дёшевы в изготовлении, их создание основано на сравнительно простых методах интерференционной литографии и травления ионным пучком с маской. В большинстве указанных работ дифракционные решётки с изменяющимися параметрами предлагаются в качестве фильтрующих элементов компактных планарных спектрометров. Такие структуры перспективны для применения в качестве датчиков показателя преломления [41, 42], биосенсоров [35, 38] и датчиков крутящего момента [43].

Для решения задачи интеграции с существующими устройствами в Самарском универ ситете создан сверхкомпактный гиперспектрометр-насадка на камеру смартфона [44] (см рисунок 1). Для разделения длин волн в нём используется схема Оффнера, при этом приём ником служит цифровая матрица камеры мобильного устройства. Созданное устройство ра ботает в широком диапазоне длин волн (0,4– 1,05 мкм), обладает спектральным разрешением 5 нм и 128 спектральными каналами. При таких характеристиках гиперспектрометр компактен (размеры изделия 10x10x20 мм, масса 0,03 кг), энергоэффективен (энергопотребление 0,5 Вт) и сравнительно прост и дёшев в производстве. Главным преимуществом данного устройства является совместимость с камерой смартфона, что может позволить существенно ускорить внедрение практики гиперспектрального анализа для различных быто-

Рисунок 1 – Сверхкомпактный изображающий гиперспектрометр на базе смартфона

вых приложений в повседневную жизнь. Разработанный мобильный гиперспектрометр может быть модифицирован для использования на космических и в беспилотных летательных аппаратах.

4    Аналоговые оптические вычисления

Одним из первых значимых примеров полностью оптической обработки информации является четырёхфокусная схема Фурье-коррелятора, впервые предложенная в 1964 году [45]. Аналоговые оптические вычисления на основе Фурье-коррелятора активно развивались в 1980-е годы, поскольку могли мгновенно осуществить заданное преобразование над падающим сигналом [46]. Однако широкого распространения подобные схемы не получили ввиду громоздкости системы. Прорыв произошёл в 2014 году, когда была предложена структура для аналогового оптического дифференцирования, подобная Фурье-коррелятору, в которой использованы компактные градиентные линзы [47]. Размер такой структуры составляет десятки длин волн, то есть на порядки меньше, чем размеры двухлинзовых схем.

В настоящее время основным направлением развития аналоговых оптических вычислений является создание в дополнение к электронным компьютерам «сопроцессоров», ориентированных на сверхбыстрое решение ряда конкретных задач. Среди задач, которые эффективно и успешно решаются с помощью оптических вычислителей, можно отнести аналоговое дифференцирование, интегрирование, решение дифференциальных и интегральных уравнений, оптическая реализация преобразования Фурье и операций свёртки, а также оптические нейронные сети. К преимуществам аналоговой оптической обработки информации можно отнести возможность производить вычисления со скоростью света, более широкий доступный спектральный диапазон, отсутствие тепловых потерь, отсутствие электромагнитных помех, возможность параллельной обработки, а также возможность обработки комплексных данных (за счёт использования амплитуды и фазы электромагнитной волны).

Ранее были предложены нанофотонные структуры для аналогового оптического решения обыкновенных линейных дифференциальных уравнений второго порядка с правой частью (с использованием оптических волноводов с прямоугольным сечением и кольцевых микрорезонаторов) [48], для решения интегрального уравнения Фредгольма 2-го рода (с использованием интерференционной камеры и зацикленных волноводов) [49], а также для выполнения дискретного преобразования Фурье сигнала, распространяющегося в волноводе (с использо- ванием линзы в свободном пространстве и интерферометров Маха-Цендера для вывода излучения из волновода и ввода в волновод) [50]. Преимущество подобных устройств заключается в том, что они выполнены в геометрии «на чипе», что существенно уменьшает их формфактор и упрощает интеграцию с электронными компонентами.

В качестве нанофотонных структур для операций дифференцирования и интегрирования оптического сигнала, распространяющегося в плоскости плоскопараллельного волновода, предложены простые структуры в виде выемок и ступенек на поверхности плоскопараллельного волновода (см. рисунок 2). В частности, структура, состоящая из двух параллельных прямоугольных выемок, позволяет осуществлять дифференцирование отражённого сигнала [51]. Данный эффект достигается за счёт резонансного возбуждения собственной моды в центральной ступеньке. Структура, представляющая собой прямоугольную ступеньку на поверхности плоскопараллельного волновода, позволяет выполнять операцию интегрирования отражённого сигнала [52]. Данный эффект связан с возбуждением кросс-поляризованной моды ступеньки, приводящим к резонансному эффекту, известному как связанное состояние в континууме. Обе указанные структуры могут также работать на пропускание, выполняя обратные операции: интегрирование и дифференцирование, соответственно.

Рисунок 2 – Примеры планарных структур для оптического дифференцирования и интегрирования

Важной задачей аналоговой обработки информации является выделение контуров на изображении, которое можно осуществить, расположив дифференцирующую структуру на пути распространения оптического пучка. Для этих целей были предложены фотонные структуры, представляющие собой массив нанорезонаторов [53], а также структуры, принцип действия которых основан на плазмонном резонансе [54] или эффекте Брюстера [55] (см. рисунок 3).

Рисунок 3 – Выделение контуров на изображении с использованием эффекта Брюстера: (а, в) – оригинальные изображения; (б, г) – изображения после преобразования

5    Оптические нейронные сети

Искусственные нейронные сети – вычислительные модели, имитирующие некоторые принципы работы биологических нейронов – позволили совершить рывок во многих задачах машинного обучения, таких как распознавание речи и изображений, задачи классификации и прогнозирования. Важным ограничением таких систем является высокая вычислительная сложность при выполнении вычислений на классической машине фон Неймана. Это приводит к поискам новых технологических подходов, которые позволят осуществлять работу нейронных сетей быстрее и эффективнее, в частности с использованием графических процессоров или полупроводниковых схем специального назначения. Отдельно необходимо отметить развивающиеся направления гибридных оптоэлектронных систем, основанных на обработке оптических импульсов [56] или резервуарных вычислениях [57]. В данной статье рассматривается направление, связанное с полностью оптическими нейронными сетями глубокого обучения, которое предлагает принципиально новую парадигму.

Оптические нейронные сети представляют структуру нанофотоники, имитирующую многослойный перцептрон. С большим интересом научным сообществом была встречена работа, в которой предложена структура, состоящая из набора последовательно расположенных дифракционных элементов, каждый из которых соответствует слою многослойной нейросети, а каждый пиксель на элементе – отдельному нейрону [58]. Согласно принципу Гюйгенса-Френеля, каждый такой пиксель можно считать центром излучения вторичных волн, амплитуда и фаза которых определяется произведением суммы падающих на этот пиксель волн и его комплексного коэффициента отражения или пропускания. Таким образом, каждый из нейронов соединён со всеми нейронами предыдущего слоя посредством падающего излучения и со всеми нейронами следующего слоя посредством излучаемых вторичных волн. При этом вклад нейрона определяется его комплексным коэффициентом пропускания, который задаётся в процессе обучения нейросети вариацией метода обратного распространения ошибки. На основе такого подхода была создана оптическая нейронная сеть, каждый слой которой представлял собой метаповерхность с пикселями разной толщины и которая успешно решала задачу классификации рукописных цифр [58]. По тому же принципу была смоделирована нейронная сеть, интегрированная на чипе, каждый слой которой представлял собой слоты в поверхности волновода. Такая сеть была использована для решения задачи диагностики коронарной болезни сердца [59].

Альтернативной платформой для оптических нейронных сетей могут служить интегрированные на чипе фотонные интегральные сети из волноводов, взаимодействующих друг с другом по принципу интерферометров Маха-Цендера [60]. При данном подходе каждый блок из набора интерферометров позволяет осуществить операцию матричного умножения (базовую операцию искусственной нейронной сети), а добавление между этими блоками нелинейных элементов обеспечивает нелинейную функцию активации нейронов. Исполненная таким образом нейронная сеть позволила успешно решить задачи классификации гласных звуков [60].

При таком подходе обучение оптической нейронной сети происходит на стадии компьютерного моделирования и расчёта параметров фотонной структуры. После этого созданная оптическая нейронная сеть будет выполнять предписанную задачу со скоростью света без выделения тепла и необходимости в дополнительном питании, что является неоспоримым преимуществом перед электронными аналогами.

Широкий спектр возможностей открывается в случае, если на вход подобной нейронной сети подаётся мультиспектральное излучение (см. рисунок 4). За счёт усложнения и вариативности анализа, который может быть осуществлён над спектром, подобное устройство может быстро и эффективно решать задачи в области обеспечения безопасности и повыше- ния качества жизни человека.

Рисунок 4 – Концепция интеллектуальной системы, состоящей из планарного спектрометра и оптической нейронной сети

6    Заключение. Рынок фотоники

Несмотря на то, что фотоника не имеет такой мощной производственной основы и универсальной компонентной базы, как электроника, уже сейчас международное сообщество SPIE ( Society of Photo-Optical Instrumentation Engineers ) оценивает объём мирового рынка фотоники в 2,02 трлн. долларов (см. рисунок 5) [61]. И большая часть этого рынка – чрезвычайно конкурентные потребительские технологии и сфера развлечений. Сферы обороны и безопасности, идущие следом, обеспечивают лишь шестую часть спроса. Это наглядно демонстрирует, что фотоника, как технология 21-го века, будет развиваться по иным законам, нежели электроника в веке 20-ом. Каждый Умный дом, контролируемый оптическими датчиками, каждый Умный город, покрытый комплексом беспроводных оптических сетей, каждый Умный автомобиль будут собирать невидимые глазу данные и обрабатывать их со скоростью света, принимая всё более совершенные решения. Фотоника имеет потенциал повсеместного распространения, и в данной статье рассмотрены лишь некоторые из наиболее перспективных отраслей.

• ■    Потребительский рынок и развлечения

• ■    Оборона и безопасность

• ■    Медицина и биофотоника

• ■    Диспеи

• ■    Альтернативная энергетика

• ■    Освещение

• ■    Сенсоры

• ■    Передовое производство с фотоникой

• ■    Оптическая связь

• ■    Полупроводниковое производство

Рисунок 5 – Исследование SPIE мирового рынка фотоники [61]

Работа выполнена благодаря финансированию Минобрнауки России новых лабораторий под руководством молодых ученых в рамках нацпроекта «Наука и университеты» (проект FSSS-2021-0016) в лаборатории «Фотоника для умного дома и умного города» Самарского университета.