集成光电子神经元用于抗噪声的深度学习.

科学领域:

• 光子学是指光子学的使用方法.
• 人工智能的人工智能
• 集成电路 集成电路

背景情况:

• 光子电子多重积累神经元 (PEMAN) 架构为高速计算提供了潜力.
• 神经网络 (NN) 需要高效的硬件来完成复杂的任务,例如健康监测.
• 光子集成电路中的噪声敏感性可能会限制性能.

研究的目的:

• 通过实验来证明PEMAN架构的光子部分.
• 为了评估其在对噪声敏感的NN中的性能,用于心跳声音分类.
• 引入和验证光子神经网络的降噪策略.

主要方法:

• 使用了带有电吸收调节器的光子芯片用于矩阵向量乘法.
• 实现了一个三层NN,有1350个可训练的参数.
• 采用量子化和噪声感知深度学习技术,包括一种新的激活函数斜率拉伸策略.
• 在10,20和30Gbps的计算速度下验证了性能.

主要成果:

• 在心跳分类方面,在10Gbaud时获得了85.9%的F1分数,在20Gbaud时达到81%的F1分数.
• 通过模拟证明了增强的抗噪性能,与实验数据有很好的一致性.
• 通过使用新型培训模型和激活功能策略,成功地减轻噪声损害.

结论:

• 证明PEMAN的光子部分对于高速,抗噪声的神经网络计算是有效的.
• 开发的降噪策略对于光子计算在健康监测中的实际应用至关重要.
• 这项工作为人工智能驱动的应用中先进的光子集成电路铺平了道路.