分布式声学传感（DAS）系统是基础设施监测领域的尖端技术，能够检测跨越数十公里的光纤电缆中的微小振动。从地震探测和石油勘探到铁路监测和海底电缆监控，这些系统已被证明具有极高的应用价值。然而，这些系统产生的海量数据在处理速度上形成了瓶颈，限制了其在需要即时响应的实时应用中的有效性。

图片来源： 《Advanced Photonics》

机器学习技术，尤其是神经网络，已成为更高效处理DAS数据的有前景的解决方案。尽管过去几十年中，使用CPU和GPU的传统电子计算的处理能力有了巨大提升，但其在速度和能效方面仍然面临根本性限制。相比之下，光子神经网络利用光而非电进行计算，提供了一种革命性的替代方案，可能以极低的功耗实现更高的处理速度。

然而，将这些光学计算系统与DAS技术集成起来却面临重大技术挑战，特别是在处理复杂数据结构和确保精确信号处理方面。据外媒报道，由南京大学（Nanjing University）邹宁睦博士领导的研究团队致力于开发一种创新方法来克服这些障碍。相关研究论文发表在期刊《Advanced Photonics》，报告探讨了其新开发的时分复用光子神经网络加速器（TWM-PNNA）在处理DAS系统数据中的应用。

邹宁睦博士表示：“这项开创性的研究首次成功将光子神经网络与能够处理实时数据的DAS系统集成。”研究人员开发了一种系统架构，将传统的电子神经网络操作转换为光学处理。这种方法使用多个可调谐激光器以不同波长发射光来代表神经网络的卷积核——从输入数据中提取特征的数学滤波器。

为实现这一点，研究人员首先需要将DAS系统中的二维数据转换为一维向量，然后利用成熟的马赫-曾德尔调制器（Mach-Zehnder Modulator）将这些向量编码到光信号上。研究团队采用波长选择开关为不同波长通道分配特定权重，从而有效地利用光信号而非电子计算来实现卷积操作。

研究人员还重点攻克了两大技术难题：减少调制啁啾（频率变化）对光学卷积的影响，以及开发实现光学全连接操作的可靠方法。通过详细实验，研究人员发现由调制啁啾引起的波长偏移与相邻激光通道之间波长间距的比值是评估性能影响的关键指标。当这一比率超过0.1时，识别精度会受到显著影响。通过实施推拉调制技术或降低这一比率，研究人员能够大幅减少啁啾的影响，并实现高于90%的分类精度，接近传统电子系统98.3%的水平。

此外，研究人员发现，只要在剪枝后保留至少60%的全连接参数，系统的分类精度仍能保持在90%以上。这一发现为进一步减少模型规模和计算负担而不牺牲性能提供了可能，从而使这些光学系统的生产成本更低且更易于生产。

这种TWM-PNNA系统展示了令人印象深刻的计算能力，能够以每秒1.6万亿次操作（TOPS）的速度运行，能效为每瓦特0.87TOPS。理论上，该系统可达到81TOPS的速度，能效为每瓦特21.02TOPS，比同类电子GPU高出一个数量级。

总体而言，TWM-PNNA为DAS系统提供了一种新颖的计算框架，为DAS与高速计算系统的全光学融合铺平了道路。这项研究标志着向能够实时处理海量传感器数据的下一代基础设施监控技术迈出了重要一步。如果成功，释放DAS的真正潜力或将彻底改变关键基础设施保护、地震监测和交通安全等领域的应用。