用于神经形态计算的光子复合技术
Yunping Bai1, Xingyuan Xu1, Mengxi Tan2
1State Key Laboratory of Information Photonics and Optical Communications, Beijing University of Posts and Telecommunications, Beijing 100876, China.
Nanophotonics (Berlin, Germany)
|December 5, 2024
概括
光学神经网络 (ONN) 利用光子集成来实现高速计算. 本综述探讨了ONN中的多重复合技术,强调了未来对性能增强的技术需求.
科学领域:
- 光电学和光子学的光电子和光子学.
- 人工智能和机器学习
- 计算机科学与工程 计算机科学与工程
背景情况:
- 人工神经网络和光子集成的快速发展正在推动光学计算的创新.
- 光学神经网络 (ONN) 通过利用时间,波长和空间维度,为高平行性和数据吞吐量提供了潜力.
研究的目的:
- 审查使用各种光子复杂化策略的光学神经网络 (ONN) 的最新进展.
- 提供对在ONN中光子复杂化技术的进步所需的关键技术的展望.
主要方法:
- 探索光子复杂化技术,包括时间,波长和空间域方法.
- 分析这些复杂化方法如何在ONN中实现大规模互连和线性计算功能.
主要成果:
- 通过有效的光子多重复合来实现高平行性和数据吞吐量的ONN的演示.
- 识别各种光子复合策略,使先进的ONN架构成为可能.
结论:
- 光子复杂化是高性能光学神经网络的关键推动因素.
- 进一步开发混合复合技术对于ONN技术的未来至关重要.


