[论文解读] Programmable and nonvolatile computing with composition tuning in thin film lithium niobate

Abhiram Devata, Axel Magaña Ponce+1 more|arXiv (Cornell University)|Feb 10, 2026

Neural Networks and Reservoir Computing被引用 0

一句话总结

该论文通过电化学锂离子化实现薄膜铌酸锂（TFLN）中的非易失性、可编程的矩阵-向量乘法，从而实现对成分进行调控的折射率和用于能量高效光子计算的梯度下降训练的微环和Mach-Zehnder器件。

ABSTRACT

Matrix-vector multiplications are fundamental operations in artificial intelligence and high-throughput computations, and are executed repeatedly during training and inference. Their high energy cost in electronic processors motivate scalable photonic computing approaches that reduce the energy required per operation. Thin film lithium niobate (TFLN) is a dominant photonic platform due to its large electro-optic effect. However, it lacks nonvolatile index tuning mechanisms, which promise to pave the way for energy-efficient photonic computing. Here, we explore electrochemical lithiation as a route to nonvolatile matrix-vector multiplications in TFLN. The LiNbO3 phase is stable at room temperature over a 2% Li composition window with an associated composition-dependent refractive index. We computationally demonstrate this as a programmable, low-loss approach to perform matrix-vector multiplications by using composition to control matrix weights. We design Mach-Zehnder interferometers to perform image processing tasks under realistic material loss constraints. We also design microring resonators for iterative weight updates, using gradient descent training to program target matrix operations with matrix-vector multiplication accuracy validated at 1.5% average relative error. These demonstrations show a facile route towards nonvolatile photonic computing in TFLN, addressing a critical requirement for energy-efficient photonic matrix operations at scale.

研究动机与目标

• 为AI工作负载中的矩阵-向量乘法（MVM）提供能量高效的光子计算动机。
• 引入通过电化学锂化实现的成分调控，作为TFLN中的非易失性调谐机制。
• 展示通过成分相关的折射率实现可编程权重的光子器件。
• 在器件层面实现用于MVM和迭代权重更新的Mach-Zehnder干涉仪和微环谐振器。

提出的方法

• 使用电化学锂化在2%窗口内调控 LiNbO3 的组成，同时保持室温稳定性。
• 建模成分相关的折射率如何实现光子电路中的可编程矩阵权重。
• 设计Mach-Zehnder干涉仪，在现实材料损耗约束下执行图像处理任务。
• 设计微环谐振器以实现可与梯度下降训练兼容的迭代权重更新。
• 验证矩阵-向量乘法的准确性，平均相对误差为1.5%。

实验结果

研究问题

• RQ1 电化学锂化是否能在室温下为薄膜铌酸锂提供非易失性、可调的折射率？
• RQ2 如何利用成分调控的TFLN实现光子MVM的可编程矩阵权重？
• RQ3 在材料损耗约束下，Mach-Zehnder 与微环基光子处理单元的性能与精度极限是什么？
• RQ4 在该平台上，梯度下降训练的权重编程是否可行？

主要发现

• LiNbO3在室温下在2% Li 成分窗口内保持相位稳定。
• 成分调控提供了一种可编程、低损耗的方法，用于在TFLN中执行矩阵-向量乘法。
• Mach-Zehnder干涉仪在现实材料损耗约束下能够执行图像处理任务。
• 微环谐振器实现了与梯度下降训练兼容的迭代权重更新。
• 所展示的方法实现了平均相对误差为1.5%的矩阵-向量乘法精度。