[論文レビュー] Photonic neural field on a silicon chip: large-scale, high-speed neuro-inspired computing and sensing

Satoshi Sunada, Atsushi Uchida|arXiv (Cornell University)|May 22, 2021

Neural Networks and Reservoir Computing参考文献 57被引用数 4

ひとこと要約

この論文は、マルチモード波導における空間連続的光干渉を活用して大規模で高速な神経形状計算を実現するシリコンチップ上に統合されたフォトリックニューラルフィールドを提案する。波導の高い空間的自由度と光入力に対する非線形応答を活用することで、1秒あたり1ペタ（peta）以上の乗算累積（MAC）演算を達成し、0.2ナノ秒未塔のメモリ保持時間を実現。混沌とした時系列予測の高精度な実行と超高速な光位相センシングを実証した。

ABSTRACT

Photonic neural networks have significant potential for high-speed neural processing with low latency and ultralow energy consumption. However, the on-chip implementation of a large-scale neural network is still challenging owing to its low scalability. Herein, we propose the concept of a photonic neural field and implement it experimentally on a silicon chip to realize highly scalable neuro-inspired computing. In contrast to existing photonic neural networks, the photonic neural field is a spatially continuous field that nonlinearly responds to optical inputs, and its high spatial degrees of freedom allow for large-scale and high-density neural processing on a millimeter-scale chip. In this study, we use the on-chip photonic neural field as a reservoir of information and demonstrate a high-speed chaotic time-series prediction with low errors using a training approach similar to reservoir computing. We discuss that the photonic neural field is potentially capable of executing more than one peta multiply-accumulate operations per second for a single input wavelength on a footprint as small as a few square millimeters. In addition to processing, the photonic neural field can be used for rapidly sensing the temporal variation of an optical phase, facilitated by its high sensitivity to optical inputs. The merging of optical processing with optical sensing paves the way for an end-to-end data-driven optical sensing scheme.

研究の動機と目的

• 既存のオンチップフォトリックニューラルネットワークのスケーラビリティと速度の限界を克服すること。
• 光場の空間的自由度を活用して、ミリメートルスケールのシリコンチップ上に大規模で高密度なニューラル処理を実現すること。
• 1つのフォトリックプラットフォームで高速で低遅延な神経形状計算とセンシングを同時に実現すること。
• 最小限のエネルギー消費でペタスケールのMAC演算を1秒あたり達成すること。
• 光処理とセンシングをエンドツーエンドのデータ駆動型システムに統合すること。

提案手法

• フォトリックニューラルフィールドは、入射光から空間連続的なスプライクルに似た干渉パターンを生成するマルチモード波導を用いて実装される。
• 異なる位相速度を持つ導波モードの複雑な干渉を活用して、高次元かつ非線形な応答場を生成する。
• ニューラルフィールドはリザボアコンピューティングにおけるリザボアとして機能し、読み出し層のみを学習することで高速かつ効率的な計算が可能となる。
• システムの光入力に対する応答は、時間的および空間的情報を符号化する強度分布 $ I(x,t) $ によって測定される。
• メモリ能力は、入力パルスとフィールド応答の相互相関を用いて評価され、相関時間 $ t_c \approx 0.2 $ ns が得られた。
• 励起された導波モード数は、モード結合方程式の数値解法により計算され、回折結合によるモードの完全励起が確認された。

実験結果

リサーチクエスチョン

• RQ1 シリコンチップ上に実装された空間連続的フォトリックフィールドは、離散ノード型フォトリックネットワークの限界を超えて大規模で高速なニューラル処理を実現できるか？
• RQ2 マルチモード波導のダイナミクスに基づくフォトリックニューラルフィールドの最大処理速度とメモリ保持時間は何か？
• RQ3 同じフォトリックプラットフォームが同時に高速計算と超高速な光位相センシングを実行できるか？
• RQ4 マルチモード波導の空間的自由度は、最小限のエネルギー消費でスケーラブルなニューラル処理を可能にするか？
• RQ5 フォトリックニューラルフィールドは、時系列予測のための複雑な力学的挙動（例：カオス）をどれほど再現できるか？

主な発見

• オンチップフォトリックニューラルフィールドは、数平方ミリメートルの面積に収まり、1つの入力波長に対して1秒あたり1ペタ（peta）以上の乗算累積（MAC）演算を達成した。
• パルス応答およびメモリ容量実験により、0.2ナノ秒未塔のメモリ保持時間（相関時間 $ t_c \approx 0.2 $ ns）を実証した。
• 遅延ステップ $ i > 3 $ においてメモリ関数が十分に減衰することから、12.5 GS/sの入力レート下でメモリ長は0.16〜0.24ナノ秒であると判明した。
• 低誤差で高精度な混沌とした時系列予測が可能であり、リザボアコンピューティングプラットフォームとしての有効性が裏付けられた。
• 光位相の変化に対して高い感度を示し、追加部品なしで時間的位相変化を迅速に検出可能である。
• 数値解析により、単一モード入力からの回折結合によってマルチモード波導内のすべての導波モードが励起され、空間的自由度が最大限に活用されていることが確認された。