概括
这项研究介绍了一种紧的光子尖端神经网络 (PSNN),使用直接调制的激光和可和吸收激光. 新设计实现了高能效和强大的性能,用于AI加速.
科学领域:
- 光子学 是一个光子学.
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 神经形态光子计算为先进的人工智能加速器提供了潜力,因为它的速度和低能耗.
- 当前的神经形态光子系统面临着由于大型离散组件而导致可扩展性的限制.
研究的目的:
- 为光子尖端神经网络 (PSNNs) 提出一种新的,紧的,可扩展的架构.
- 为了证明使用直接调制的激光和分布式反激光与和吸收器 (DML-DFB-SA) 的可行性,用于PSNNs.
- 在神经形态光子计算中增强能源效率和集成能力.
主要方法:
- 开发了一个PSNN架构,集成直接调制激光器 (DML) 作为光源和电光转换器,以及带有和吸收器 (DFB-SA) 的分布式反激光器作为尖端神经元.
- 采用时间复合的尖峰编码方案,使单个神经元能够模拟多个功能.
- 在酸 (InP) 基板上制造的DML和DFB-SA激光芯片,用于潜在的大规模集成.
主要成果:
- 实现了值得注意的0.625 pJ/MAC的能量效率.
- 在短距离传输中证明了对DML的声效应的强大性能.
- 在使用拟议的DML-DFB-SA系统与时间复合编码的MNIST数据集上实现了94%的识别准确度.
结论:
- DML-DFB-SA架构为神经形态光子计算提供了一个紧,节能和可扩展的解决方案.
- 这种方法促进了用于下一代AI加速器的大规模集成PSNN芯片的开发.
- 该系统的稳定性和高性能使其成为实际PSNN应用的有希望的候选者.
