Realización experimental de la retropagación in situ para el aprendizaje profundo en redes neuronales fotónicas

Área de la Ciencia:

• Fotónica integrada
• Aprendizaje automático
• Hardware de inteligencia artificial

Sus antecedentes:

• Las redes neuronales fotónicas (PNN) ofrecen computación de alto rendimiento y eficiencia energética para el aprendizaje automático.
• Las redes neuronales tradicionales dependen de componentes electrónicos, lo que limita la velocidad y la eficiencia.
• Las redes de malla del interferómetro Mach-Zehnder (MZI) son componentes clave en las RNP.

Objetivo del estudio:

• Demostrar y validar experimentalmente la "propagación inversa in situ" para el entrenamiento de redes neuronales fotónicas de silicio.
• Evaluar el rendimiento de las redes neuronales fotónicas en tareas de clasificación.
• Analizar la escalabilidad y la eficiencia energética del aprendizaje automático fotónico.

Principales métodos:

• Entrenamiento experimental de una red neuronal fotónica de silicio de tres capas y cuatro puertos.
• Utilizando cambiadores de fase programables y monitoreo de energía óptica.
• Implementación de la "propagación inversa in situ" mediante la interferencia de la luz que se propaga hacia adelante y hacia atrás para medir los gradientes.
• Simulación de redes de 64 puertos más grandes en el reconocimiento de imágenes MNIST.

Principales resultados:

• La red neuronal fotónica logró una alta precisión de prueba (94%) comparable a las simulaciones digitales.
• Medición exitosa de los gradientes de propagación hacia atrás de las tensiones de los desplazadores de fase.
• Factibilidad demostrada de tareas complejas de entrenamiento como el reconocimiento MNIST en hardware fotónico.
• El análisis de escala de energía sugiere un camino hacia el aprendizaje automático escalable.

Conclusiones:

• La retropagación in situ es un método viable y eficaz para entrenar redes neuronales fotónicas.
• Las redes neuronales fotónicas de silicio muestran una promesa significativa para el aprendizaje automático de alto rendimiento y eficiencia energética.
• Las técnicas desarrolladas allanan el camino para aplicaciones de computación fotónica escalables y prácticas.