[論文レビュー] Accelerating Diffusion Models for Generative AI Applications with Silicon Photonics

Tharini Suresh, Salma Afifi+1 more|arXiv (Cornell University)|Mar 8, 2026

Neural Networks and Reservoir Computing被引用数 0

ひとこと要約

論文は拡散モデルのためのシリコンフォトニクスベースのアクセラレータを提案し、最新のアクセラレータに対して少なくとも3xのエネルギー効率と5.5xのスループット向上を達成する。

ABSTRACT

Diffusion models have revolutionized generative AI, with their inherent capacity to generate highly realistic state-of-the-art synthetic data. However, these models employ an iterative denoising process over computationally intensive layers such as UNets and attention mechanisms. This results in high inference energy on conventional electronic platforms, and thus, there is an emerging need to accelerate these models in a sustainable manner. To address this challenge, we present a novel silicon photonics-based accelerator for diffusion models. Experimental evaluations demonstrate that our photonic accelerator achieves at least 3x better energy efficiency and 5.5x throughput improvement compared to state-of-the-art diffusion model accelerators.

研究の動機と目的

• 生成AIで用いられる拡散モデルの反復的なノイズ除去プロセスの持続可能な加速を動機付ける。
• 拡散モデル推論のために従来の電子プラットフォームを置換するシリコンフォトニクスベースのアクセラレータを提案する。
• 提案されたアクセラレータを最新の拡散モデルアクセラレータと評価し、エネルギーとスループットの改善を定量化する。

提案手法

• 拡散モデル推論に適合したシリコンフォトニクスベースのアクセラレータを導入する。
• 拡散過程の内部でUNetやアテンション機構を含む計算レイヤを扱う。
• エネルギー効率とスループットを最新のアクセラレータと比較して利得を示す。
• 実験評価を活用して性能向上（エネルギーとスループット）を定量化する。

実験結果

リサーチクエスチョン

• RQ1 シリコンフォトニクスは拡散モデルの反復的なノイズ除去ステップを効果的に加速できるか。
• RQ2 フォトニックアクセラレータのエネルギー効率とスループットは電子的な拡散モデルアクセラレータと比べてどの程度の利点があるか。
• RQ3 提案されたアクセラレータはUNetやアテンションといった核となる拡散モデル要素をどのように扱うか。
• RQ4 実験評価は実 workloads で主張される改善を示しているか。

主な発見

• フォトニックアクセラレータは最新の拡散モデルアクセラレータより少なくとも3xのエネルギー効率を達成する。
• フォトニックアクセラレータは最新の拡散モデルアクセラレータより約5.5xのスループット向上を達成する。