Optical computing with supercontinuum generation in photonic crystal fibers
本研究提出利用光子晶体光纤飞秒脉冲超连续谱的新型光子神经网络,发现非线性脉冲动力学影响网络性能,跨倍频程超连续谱会致数据集多样性损失,需平衡非线性以获最优性能,为高性能节能光子神经网络设计提供指导。
2024-03-12 cs.ET physics.optics
Carbon Connect: An Ecosystem for Sustainable Computing
University of Pennsylvania(宾夕法尼亚大学);Harvard University(哈佛大学);Cornell University(康奈尔大学);Ohio State University(俄亥俄州立大学);Carnegie Mellon University(卡内基梅隆大学);California Institute of Technology(加州理工学院);Yale University(耶鲁大学)
针对计算行业能源消耗激增问题,提出Carbon Connect生态系统,通过碳核算、生命周期设计和高效能源利用策略,实现可持续计算,需跨学科合作推动变革。
2024-08-21 cs.AR cs.DC cs.ET
Large-scale Sustainable Search on Unconventional Computing Hardware
自从互联网出现以来,量化网页的相对重要性是搜索引擎方法的核心。根据一种算法,PageRank,全球网络结构由Google矩阵表示,其主要特征向量分量为网页分配数值以进行排名。在不断增长的网页数量上找到这样一个占主导地位的特征向量成为一个计算密集型的任务,与摩尔定律不相容。我们证明,特殊用途的光学机器,如网络的光学参量振荡器,激光器,增益耗散凝聚,可能有助于加速可靠的重建现实生活中的网络图的主要特征向量。我们讨论了使用这种非传统的硬件在大型Google矩阵上模拟PageRank算法的可行性。我们提供替代排名的基础上最小化的自旋哈密顿。我们的估计表明,特殊用途的光学机器可以提供显着的改进,在经典的计算架构的功耗。
2021-04-06 cond-mat.dis-nn cs.ET cs.IR
A Photonic In-Memory Computing primitive for Spiking Neural Networks using Phase-Change Materials
脉冲神经网络(SNN)提供了一种事件驱动的,更生物现实的替代标准人工神经网络的基础上模拟信息处理。这可以潜在地实现神经形态系统的节能硬件实现,该神经形态系统模拟大脑的功能单元,即神经元和突触。基于相变材料(PCM)的超快光子计算设备的最新演示显示出解决电驱动神经形态系统的局限性的希望。然而,将这些独立计算设备缩放到并行存内计算原语是一个挑战。在这项工作中,我们利用的PCM,Ge \textsubscript{2} Sb \textsubscript{2} Te \textsubscript{5}(GST)的光学特性,提出了一个光子脉冲神经网络计算原语,包括一个非易失性突触阵列无缝集成与以前探索的“集成和消防”神经元。所提出的设计实现了一个“内存中”的计算平台,利用波分复用(WDM)的固有并行性。我们表明,所提出的计算平台可以用来模拟SNN推理引擎的图像分类任务。所提出的设计不仅弥合了隔离计算设备和并行大规模实现之间的差距,而且为超快速计算和本地化片上学习铺平了道路。
2018-10-24 cs.ET
Analog Photonics Computing for Information Processing, Inference and Optimisation
本文综述模拟光子计算的发展、平台架构、优化器与神经网络实现,并梳理其跨领域应用、挑战、效率及光量子计算前景。
2023-06-05 cs.ET physics.optics quant-ph
A 103-TOPS/mm$^2$ Integrated Photonic Computing Engine Enabling Next-Generation Reservoir Computing
本文首次在集成光子芯片上实现高速下一代储备池计算系统,基于星形耦合器和片上延迟线,达到60 Gbaud速度和103 TOPS/mm²计算密度,在预测和分类任务中表现最优,为超快片上光子计算奠定基础。
2024-05-31 cs.ET physics.optics
Hardware-algorithm collaborative computing with photonic spiking neuron chip based on integrated Fabry-Pérot laser with saturable absorber
光子类脑计算已经成为一个有前途的途径,建立一个低延迟和能源效率的非冯诺依曼计算系统。光子脉冲神经网络(PSNN)利用类脑的时空处理机制实现高性能的类脑计算。然而,PSNN的非线性计算仍然是一个重大的挑战。本文首次提出并制作了一种基于可饱和吸收体集成法布里-珀罗激光器(FP-SA)的光子脉冲神经元芯片。实验证明了非线性神经元动力学,包括时间积分,阈值和尖峰的产生,不应期,和可扩展性,这提供了一个不可缺少的基本构建块,构建PSNN硬件。此外,我们提出了时间复用尖峰编码,以实现功能PSNN远远超出硬件集成规模的限制。实验证明,单光子脉冲神经元和级联光子脉冲神经元的PSNN能够实现硬件算法协同计算,并能利用监督学习算法完成分类任务,为多层PSNN解决复杂任务奠定了基础.
2022-04-18 cs.ET physics.optics
Photonics for Neuromorphic Computing: Fundamentals, Devices, and Opportunities
本文综述集成光子神经形态计算的最新进展,从材料与器件工程角度梳理相关技术突破,考察从传统光学到PIC的各类神经形态光子AI加速器技术,并评估其能效与计算密度。
2024-07-02 cs.ET physics.optics
Toward Fast Neural Computing using All-Photonic Phase Change Spiking Neurons
脑启发计算的快速增长,加上在CMOS实现的neuromphic系统的效率低下,导致了激烈的探索,有效的硬件实现的功能单位的大脑,即神经元和突触。然而,在电气领域的实现中投入了大量的努力,具有开关速度、大型集成系统的封装密度和互连损耗的潜在限制。作为替代方案,光子域中的神经形态工程最近受到了关注。在这项工作中,我们展示了一个纯粹的光子操作的集成和消防尖峰神经元,基于相变动力学的Ge $_2$ Sb $_2$ Te $_5$(GST)嵌入顶部的microwave谐振器,这体现了在电域的PCM的能量约束。我们还表明,这样的神经元可以潜在地集成到一个全光子脉冲神经网络推理框架的芯片上的突触,这有望是超快的,可以提供一个大的工作带宽。
2018-08-28 cs.ET
Photonic reinforcement learning based on optoelectronic reservoir computing
强化学习在训练数据缺失的情况下,在人工智能中得到了深入的研究和发展,如自动驾驶汽车、机器人控制、互联网广告和弹性光网络等。然而,使用深度神经网络的强化学习的计算成本非常高,降低学习成本是一个具有挑战性的问题。我们提出了一个光子在线实施的强化学习使用光电延迟为基础的储备池计算,实验和数值。在所提出的方案中,我们加速强化学习在几兆赫的速度,因为没有必要的学习过程中的内部连接的权重在储备池计算。我们执行两个基准任务,CartPole-v0和MountanCar-v0任务,以评估所提出的方案。我们的研究结果代表了基于光子储备池计算的强化学习的第一个硬件实现,并为快速高效的强化学习作为一种新型的光子加速器铺平了道路。
2022-02-25 cs.ET nlin.CD physics.optics
Findings of the 2nd Photonics and Electronics Technology for Extreme Scale Computing Workgroup (REPETE): Design Challenges for Socket Level Photonic I/O
为了使HPC互连的研究活动在2018年以后对USG具有战略重要性,2018年1月,国防部赞助了第二届极端规模计算光子学和电子技术(REPETE)研讨会。REPETE调查了HPC互连领域的新挑战,这些挑战受到技术趋势和对USG利益相关者至关重要的挑战的启发。重复工作组调查了USG感兴趣的两个重点领域:套接字级光子IO和低温光子IO。该工作组涵盖了研究、开发、产品和技术投资领域的工业界、学术界和政府。专注于插座级光子IO当前和未来设计挑战的IBM团队于2019年4月开始通过双周会议讨论将光子学应用于片外IO的技术挑战和现状,该会议于2019年9月初结束。这些会议的重点是讨论存在什么技术可以将电信号到光子信号的转换从节点(如目前所做的那样)向下移动到片外IO的插槽内。讨论的领域包括:2025年及以后计算插座的I/O要求和趋势;片外、插座级互连的当前和近期铜解决方案;片外或插座级互连的当前光子解决方案;片外、插座级IO的光产生;光子集成电路的制造和封装;全光子交换技术;以及光子互连的模拟。
2021-10-04 cs.ET cs.OH
Nonlinear response of Silicon Photonics microresonators for reservoir computing neural network
目前,信息光子学得到了广泛的研究和应用。对这一突破性技术的兴趣主要是由实现高带宽应用的实时数据处理的可能性所激发的,这些应用仍然通过小尺寸设备来实现,这些设备将允许打破摩尔定律所施加的限制。信息光子学的一个潜在的突破性实现是通过集成光子电路。在这种方法中,最合适的计算方案是通过集成光子神经网络实现的。在这一章中,我们提供了一个审查的一种可能的方式来实现一个神经网络使用硅光子。具体来说,我们回顾了我们在特伦托大学纳米科学实验室进行的工作。我们目前的方法,结果,和未来的挑战,延迟复杂的感知器的快速数据处理,利用非线性动力学的储备池计算方法的microwave谐振器,和microwave谐振器的反馈延迟回路的时间序列处理。
2023-02-20 cs.ET physics.optics
Holographic photonic neuron
人工智能(AI)处理复杂数据集的承诺带来了创新的计算范式。虽然量子光子计算的最新发展已经取得了重大成就,但模仿我们大脑识别图像的能力在这些企业中的整合程度很差。在这里,我将轨道角动量(OAM)状态在一个经典的Vander Lugt光学相关器创建全息光子神经元。光子神经元可以在相位全息图中存储匹配滤波器阵列,该相位全息图是通过将OAM状态与阵列中的元素相关联而获得的。成功的关联与强度无关,并且产生具有OAM态的光子,其可以用作量子计算的传输协议或量子点。独特的OAM标识符将光子神经元确立为用于模式识别的基本AI设备,该设备可以扩展并与其他计算平台集成,以构建模仿大脑的神经形态量子光子处理器。
2021-03-29 cs.ET physics.optics
Parallel photonic reservoir computing using frequency multiplexing of neurons
当今对信息处理需求的不断增长产生了对新颖计算概念的需求。储备池计算是这样一种概念,其特别适合于光子硬件实现。近年来,这些硬件实现已经成熟,现在在几个基准测试任务上实现了最先进的性能。然而,到目前为止,实现基本上都是基于顺序数据处理,使光子学的固有并行性未被利用。并行实现同时处理所有神经元,因此与顺序架构相比,具有将计算时间减少等于神经元数量的因子的潜力。在这里,我们报告了一个并行水库计算机,使用频域复用的神经元状态。我们说明了它的性能标准的基准任务,如非线性信道均衡,再现的非线性10阶系统,和语音识别,获得类似于以前的光学实验的出错率。因此,目前的实验是朝着高速、低占地面积、全光学光子信息处理迈出的重要一步。
2016-12-24 cs.ET physics.optics
All-optical graph representation learning using integrated diffractive photonic computing units
Tsinghua University(清华大学);Shanghai Jiao Tong University(上海交通大学)
光子神经网络使用光子而不是电子来执行大脑启发的计算,可以实现大幅提高的计算性能。然而,现有的体系结构只能处理具有规则结构的数据,例如,图像或视频,但不能推广到超越欧几里德空间的图形结构数据,例如,社交网络或文档共同引文网络。在这里,我们提出了一个全光学图表示学习架构,称为衍射图神经网络(DGNN),集成的衍射光子计算单元(DPU)的基础上,以解决这一限制。具体而言,DGNN将节点属性光学编码到条形光波导中,这些条形光波导由DPU转换并由片上光耦合器聚合以提取其特征表示。每个DPU包括金属线的连续无源层以经由衍射调制电磁光场,其中金属线结构是跨图形节点共享的可学习参数。DGNN捕捉节点邻域之间的复杂依赖关系,消除了光速光信息通过图结构时的非线性转换函数。我们展示了使用DGNN提取的特征与基准数据库的节点和图级分类任务,并实现了卓越的性能。我们的工作为设计专用集成光子电路开辟了一个新的方向,用于使用深度学习高效处理大规模图形数据结构。
2022-04-23 cs.ET cs.LG cs.NE
ForgetMeNot: Understanding and Modeling the Impact of Forever Chemicals Toward Sustainable Large-Scale Computing
本文提出 ForgetMeNot 建模工具,结合晶圆厂实践与硬件规格量化半导体制造中的含氟化合物排放,并用真实数据验证,以支持低碳硬件与数据中心设计。
2025-05-16 cond-mat.mtrl-sci cs.AR cs.DC
Developing of a photonic hardware platform for brain-inspired computing based on $5\times5$ VCSEL arrays
人工神经网络等受大脑启发的计算概念已经成为经典冯·诺依曼计算机体系结构的有前途的替代方案。光子神经网络的目标是在光子衬底上实现神经元、网络连接和潜在的学习。在这里,我们报告的纳米光子硬件平台的快速和节能的光子神经元通过阵列的高品质垂直腔面发射激光器(VCSEL)的发展。所开发的$5\times5$ VCSEL阵列通过均匀制造结合对激光波长的单独控制来提供高的光学注入锁定效率。注入锁定对于基于VCSEL的光子神经元中信息的可靠处理至关重要,并且我们通过注入锁定测量和电流诱导的光谱微调来证明VCSEL阵列的适用性。我们发现,我们研究的阵列可以很容易地调整到所需的光谱均匀性,并因此表明,VCSEL阵列的基础上,我们的技术可以作为下一代光子神经网络的高能效和超快的光子神经元。结合完全并行的光子网络,我们的衬底有望实现超快操作,达到10 GHz的带宽,并且我们表明,基于我们的激光器的非线性变换每个VCSEL仅消耗约100 fJ,与其他平台相比,这具有很强的竞争力。
2020-06-24 cs.ET physics.app-ph
Photonic neuromorphic computing using vertical cavity semiconductor lasers
光子实现的神经网络计算硬件是一种有前途的方法,使未来的可扩展性的类脑计算。在这篇综述中,我们提供了一个概述垂直腔面发射激光器(VCSEL),以及这些高性能的电光元件如何实现或与其他光子硬件相结合,以证明点(一-三)。在神经形态光子学的背景下,VCSEL是特别感兴趣的,因为它们与CMOS制造兼容,容易实现301%的壁插效率和>30 GHz的调制带宽,因此是高能效和超快的。最重要的是,它们对光注入和电调制的反应是高度非线性的,这使得它们非常适合作为全光和电光光子神经元。它们的光学腔是波长受限的,并且标准半导体生长和光刻实现了非经典腔配置和几何形状。这使得可激发VCSEL(即尖峰VCSEL)能够精细控制其时间和空间相干性,通过自旋翻转效应解锁太赫兹带宽,甚至利用腔量子电动力学进一步提高其效率。最后,作为VCSEL阵列,它们与标准的2D光子集成兼容,但它们垂直于衬底的发射使它们非常适合利用3D光子波导的可扩展集成网络。在这里,我们讨论了空间和时间复用VCSEL神经网络和水库,计算的基础上可激发VCSEL的光子尖峰神经元,以及概念和进展的VCSEL和微激光器的制造。
2021-12-15 cs.ET physics.optics
Photonic-Electronic Integrated Circuits for High-Performance Computing and AI Accelerators
本综述调研了基于光子集成电路的AI数字与模拟计算进展,从多维度分析光子AI,指出光电集成电路是后摩尔时代高性能计算与AI加速器的可行方案,并提出挑战应对策略与未来方向。
2024-07-11 cs.ET physics.app-ph physics.optics
A fully-programmable integrated photonic processor for both domain-specific and general-purpose computing
本文提出一种全可编程集成光子处理器,通过自主光电计算平台实现端到端控制,既能高效求解子集和与精确覆盖等NP完全问题,又能完成高精度点积、图像边缘检测和97%准确率的MNIST分类,显著提升光学计算的通用性与实用性。
2025-08-19 cs.ET physics.optics
The role of delay-times in delay-based Photonic Reservoir Computing
基于延迟的水库计算已经获得了很多关注,由于这个概念可以在硬件中实现的相对简单。然而,仍然存在对延迟时间和输入时钟周期之间的关系的误解,这对性能有明显的影响。我们回顾了现有的文献对这个问题,并介绍了基于延迟的水库计算的方式,表明这两个时间尺度之间没有预定义的关系的概念。此外,我们讨论了如何提高延迟耦合振荡器形成的水库的计算性能,并显示在这些多延迟系统的延迟时间调谐的关键影响。
2021-12-22 cs.ET physics.comp-ph
Antiferromagnetic spatial photonic Ising machine through optoelectronic correlation computing
最近,空间光子伊辛机(SPIM)已被证明可以计算大尺度自旋系统的哈密顿量的最小值。在这里,我们建议实现一个反铁磁模型,通过光电相关计算SPIM。此外,我们利用规范变换,使编码的自旋和相互作用强度在一个单一的相位空间光调制器。在一个简单的实验装置中,我们用数划分问题实验研究了具有$40000$自旋的反铁磁模型的基态搜索。因此,这样的光电计算表现出很大的可编程性和可扩展性的研究统计系统和组合优化问题的实际应用。
2021-05-10 cond-mat.dis-nn cs.ET physics.app-ph
Experimental evaluation of digitally-verifiable photonic computing for blockchain and cryptocurrency
随着区块链技术和加密货币日益成为主流,维持这些分散平台运行的计算能力所需的不断增加的能源成本为更节能的硬件创造了市场。光子密码散列函数,它使用光子集成电路来加速计算,承诺在密码网络中验证交易和挖掘的能量效率。然而,与许多模拟计算方法一样,目前提出的光子加密哈希函数(承诺与比特币类似的安全保证)容易受到系统错误的影响,因此尽管数值精度很高(与低光电探测器噪声相关),但多个设备可能无法在计算上达成共识。在本文中,我们从理论上和实验上证明,一个更一般的家庭的强大的离散模拟加密哈希函数,我们介绍的LightHash,利用整数矩阵矢量运算的光子网状网络的干涉仪。LightHash的难度可以调整为足够容忍系统误差(校准误差、丢失误差、耦合误差和相位误差),并保留比特币协议中存在的固有安全保证。最后,超越我们的概念验证,我们定义了一个“光子存储”标准,并证明了CMOS光电子学(包括模数转换)的最新发展如何证明实现了强大的和数字可验证的光子计算的优势,并最终为分散的光子技术创造了一个新的市场。
2022-05-17 cs.CR cs.ET physics.optics
Neuromorphic hardware for sustainable AI data centers
本文分析了神经形态硬件未进入商业AI数据中心的原因,提出了促进其集成的硬件与软件要求及最佳实践,以实现大规模可持续且节能的AI计算。
2024-06-26 cs.DC cs.ET cs.NE
Tutorial: Photonic Neural Networks in Delay Systems
光子延迟系统已经彻底改变了递归神经网络的硬件实现,特别是储备池计算。储备池计算的基本原理极大地有利于在这样复杂的模拟系统中实现。特别是延迟系统,即使在简单的结构中也可能提供大量的自由度,可以有效地用于信息处理。对它们性能的大量演示导致了光子人工神经网络的复兴。今天,基于这种方法的各种物理基板,实现技术以及网络架构已被成功采用。模拟硬件的重要基本方面人工神经网络已被研究,并已证明了多个高性能的应用。在这里,我们介绍和解释人工神经网络和延迟系统的最相关的方面,光子延迟系统中的储备池计算的开创性实验演示,加上最新和先进的实现。
2021-11-05 cs.ET
Evaluating Computing Platforms for Sustainability: A Comparative Analysis of FPGAs against ASICs, GPUs, and CPUs
Arizona State University(亚利桑那州立大学)
本文通过GreenFPGA工具评估FPGA在不同计算平台下的可持续性,分析其在特定部署条件下比ASICs、GPU和CPU更环保的潜力。
2026-04-22 cs.AR cs.ET
Photonic neural field on a silicon chip: large-scale, high-speed neuro-inspired computing and sensing
光子神经网络在低延迟和超低能耗的高速神经处理方面具有巨大的潜力。然而,大规模神经网络的片上实现仍然是具有挑战性的,由于其低的可扩展性。在此,我们提出了光子神经场的概念,并在硅芯片上实验性地实现了它,以实现高度可扩展的神经启发计算。与现有的光子神经网络相比,光子神经场是一个空间连续的场,非线性地响应于光输入,其高空间自由度允许在毫米级芯片上进行大规模和高密度的神经处理。在这项研究中,我们使用片上的光子神经场作为一个水库的信息,并展示了一个高速混沌时间序列预测与低误差使用类似的储备池计算的训练方法。我们讨论的光子神经场是潜在的能够执行一个以上的千倍乘累加操作每秒为一个单一的输入波长上的足迹小到几平方毫米。除了处理之外,光子神经场还可以用于快速感测光学相位的时间变化,这得益于其对光输入的高灵敏度。光学处理与光学传感的融合为端到端数据驱动的光学传感方案铺平了道路。
2021-05-22 cs.ET cs.NE physics.app-ph
Photonic Computing to Accelerate Data Processing in Wireless Communications
大规模多输入多输出(MIMO)系统被认为是下一代无线通信网络(5G)中采用的领先技术之一,其承诺提供更高的频谱效率、更低的延迟和更高的可靠性。由于配备有大型天线阵列的基站(BS)所服务的大量设备,MIMO系统需要在相当短的时间内执行高维信号处理。这种数据处理的计算复杂性在满足能量和等待时间要求的同时,超出了传统的广泛使用的基于数字电子的计算的能力,即,现场可编程门阵列(FPGA)和专用集成电路(ASIC)。在本文中,利用光的速度和无损传播,介绍了一种光子计算方法,解决了高计算复杂性所需的嵌入式MIMO系统。所提出的计算方法是基于光子实现的乘法和累加(MAC)的广播和重量(B&W)架构实现的操作。B&W协议仅限于实数值和正值来执行MAC操作。在这项工作中,预处理步骤的开发,使拟议的光子计算架构接受任何任意值作为输入。这是典型地处理复数值的无线通信系统的要求。数值分析表明,所提出的光子计算架构不会降低无线通信系统的性能,同时与最强大的图形处理单元(GPU)相比,它为MIMO系统提供了时间和能量效率的显著改进。
2021-03-12 cs.ET cs.IT math.IT
Integrated photonics modular arithmetic processor
本文提出一种基于余数系统(RNS)的集成光子计算架构,通过将高精度计算分解为低精度模运算并引入光学数字-相位/相位-数字转换接口(ODPC/OPDC),实验实现了9位计算精度,为摆脱光子计算精度限制和AD/DA转换器瓶颈提供了新路径。
2023-08-14 cs.ET physics.optics
High Speed Photonic Neuromorphic Computing Using Recurrent Optical Spectrum Slicing Neural Networks
在光子硬件中实现的类脑计算是以最小功耗实现皮秒尺度的机器学习处理的最有前途的路线之一。在这项工作中,我们提出了一个新的概念,实现光子循环神经网络和储备池计算架构与使用经常性的光谱切片。这是通过放置在环路中的简单光学滤波器来实现的,其中每个滤波器处理输入光信号的特定光谱切片。在我们的方案中,突触权重相当于滤波器的中心频率和带宽。这种用于在光子域中实现递归神经处理的新方法,我们称之为递归光谱切片神经网络,在一个苛刻的行业相关任务上进行了数值评估,例如高波特率光信号均衡100 Gbaud,表现出突破性的性能。与最先进的解决方案相比,性能增强超过了最先进的数字处理技术,范围增加了一倍,同时将复杂性和功耗降低了10倍。在这方面,ROSS-NN可以为实现超高效光子硬件加速器铺平道路,该加速器专为处理光通信和高速成像应用中的高带宽光信号而定制
2022-03-29 cs.ET physics.comp-ph physics.optics
Neuromorphic Photonic Computing with an Electro-Optic Analog Memory
University of British Columbia(不列颠哥伦比亚大学);Queen’s University(女王大学);Princeton University(普林斯顿大学)
本文提出了一种具有电光模拟记忆的类脑光子计算架构,通过减少数据移动和能耗,实现了高效的机器学习推理。
2026-01-12 cs.ET cs.SY eess.SP
Stochastic logic in biased coupled photonic probabilistic bits
本文提出利用耦合偏置光学参量振荡器构成的相干伊辛机模拟随机逻辑,为概率计算提供实验可行的光子硬件方案,并通过全密度矩阵数值模拟验证其可行性。
2024-06-06 cs.ET physics.optics
Optical Stochastic Computing Architectures Using Photonic Crystal Nanocavities
随机计算允许使用比特流的串行处理来大幅降低硬件复杂性。虽然诱导的高计算延迟可以克服使用集成光学技术,现实的光学随机计算架构的设计需要节能的开关器件。光子晶体(PhC)纳米腔是$μm^2$级器件,在皮秒级开关速度下提供100 fJ开关操作。制造工艺允许控制每个纳米腔谐振的品质因数,从而有机会实现涉及级联门和多波长信号的架构。在这份报告中,我们调查的级联门架构的设计,使用纳米腔的背景下,随机计算。我们提出了一个传输模型,考虑关键的纳米腔器件参数,如品质因数,谐振波长和开关效率。该模型与实验测量进行了校准。提出了“异”门和多路复用器的设计。我们说明了使用的门来设计一个边缘检测滤波器。针对灰度图像的处理,对激光功率、比特流长度和比特出错率进行了系统级探索。实验结果表明,该结构的功耗为8.5nJ/pixel,处理时间为512 ns/pixel.
2021-02-03 cs.ET physics.optics
Using multidimensional speckle dynamics for high-speed, large-scale, parallel photonic computing
最近对数据处理需求的快速增长导致了对新机器学习概念和硬件的需求。物理库计算和极限学习机是基于物理系统本身的新型计算范式,其中高维性和非线性在信息处理中起着至关重要的作用。在这里,我们提出了使用多模光纤中的多维散斑动力学的信息处理,其中输入信息被映射到空间,频率和时间域的光相位调制技术。输入信息的基于散斑的映射是高维的和非线性的,并且可以以光速实现;因此,当应用类似于计算的方法时,可以以快速成功地实现非线性时变信息处理。作为一个概念验证,我们实验证明混沌时间序列预测在每秒12.5千兆样本的输入速率。此外,我们表明,由于多模光纤的无源性,多个任务可以在一个系统中同时处理,即,多任务处理这些结果为实现并行、高速、大规模光子计算提供了一种新的途径。
2021-04-01 cs.ET physics.optics
Large-scale photonic computing with nonlinear disordered media
该研究利用无序多晶铌酸锂平板实现大规模非线性光子神经网络,通过随机散射与二次谐波产生结合,在图像分类等任务中优于线性投影,展示了可扩展的光学计算引擎。
2023-10-11 cs.ET physics.optics
In-memory computing on a photonic platform
并置的数据处理和存储是生物系统中的规范。事实上,冯·诺依曼计算架构在物理上和时间上将处理和存储分开,它的诞生更多地是基于现有技术的实用主义。随着我们创造更好硬件的能力的提高,新的计算范式正在被探索。集成光子电路被认为是仅使用光的片上计算的有吸引力的解决方案,利用了在光域中工作的增加的速度和带宽潜力,并且重要的是,消除了对时间和能量消耗的电光转换的需要。在这里,我们表明,我们可以结合集成光学与同位数据存储和处理的新兴领域,使全光子内存计算。通过采用基于相变材料Ge 2Sb 2 Te 5的非易失性光子元件,我们能够在单个器件上实现直接标量乘法。这种元件具有新颖的单次写入/写入和无漂移工艺,可以通过将其值映射到输入脉冲的能量和器件的透射率来乘以两个标量数,并在元件的晶体状态中进行编码。输出脉冲携带着光与物质相互作用的信息,是计算的结果。我们的全光学方法是新颖的,易于制造和操作,并为完全光子计算机的发展奠定了基础。
2018-01-18 cs.ET physics.app-ph physics.optics
Photonic Spiking Neural Networks with Highly Efficient Training Protocols for Ultrafast Neuromorphic Computing Systems
光子技术为新型超快、节能和硬件友好的神经形态(类脑)计算平台提供了巨大的前景。此外,基于无处不在的、技术成熟的和低成本的垂直腔表面发射激光器(VCSEL)(在光纤发射器、移动电话、汽车传感器等中发现的设备)的神经形态光子方法被用于制造和制造电子器件。特别令人感兴趣。鉴于VCSEL已经显示出实现神经元光学尖峰响应(在超快GHz速率下)的能力,已经提出了它们用于基于尖峰的信息处理系统。在这项工作中,脉冲神经网络(SNN)的操作,基于一个硬件友好的光子系统,只有一个垂直腔面发射激光器(VCSEL),同时报告了一种新的二进制权重“重要性”的训练计划,充分利用的SNN使用的光尖峰处理输入信息的离散性。基于VCSEL的光子SNN测试与一个高度复杂的,多变量的,分类任务(MADELON)的性能进行比较之前,使用传统的最小二乘训练方法和替代的新的二进制加权方案。两种训练方法都达到了>94%的出色分类准确率,在处理时间的一小部分内超过了数据集的基准性能。新报告的训练方案还大大降低了训练集大小要求以及训练节点的数量(<总网络节点数的1%)。这种基于VCSEL的光子SNN,与所报道的“显著性”加权方案相结合,因此授予超快的基于尖峰的光学处理,其具有高度降低的训练要求和硬件复杂性,用于未来神经形态系统和人工智能应用中的潜在应用。
2022-11-22 cs.ET physics.optics
Ultrafast single-channel machine vision based on neuro-inspired photonic computing
本文提出一种基于随机时间编码的无图像传感器单通道机器视觉框架,结合光子储备池计算实现千兆赫兹级高速图像识别、异常检测与成像,突破了传统图像传感器帧率限制。
2023-02-15 cs.ET cs.NE eess.IV