[論文レビュー] Probabilistic Photonic Computing with Chaotic Light

Frank Brückerhoff‐Plückelmann, Hendrik Borras+11 more|arXiv (Cornell University)|Jan 31, 2024

Neural Networks and Reservoir Computing被引用数 4

ひとこと要約

本論文は、ベイジアンニューラルネットワークによる高速確率的推論を可能にする、混沌とした光を物理的エントロピー源として活用するフォトニクスコンピューティングアーキテクチャを提示する。70.4 GS/sの並列サンプリングにより、非整合性フォトニッククロスバーを用いて確率的分布からのサンプリングを実現し、画像分類と不確実性の定量化を同時に実行する。物理的ランダムネスと計算速度のシームレスな統合を実証した。

ABSTRACT

Biological neural networks effortlessly tackle complex computational problems and excel at predicting outcomes from noisy, incomplete data, a task that poses significant challenges to traditional processors. Artificial neural networks (ANNs), inspired by these biological counterparts, have emerged as powerful tools for deciphering intricate data patterns and making predictions. However, conventional ANNs can be viewed as "point estimates" that do not capture the uncertainty of prediction, which is an inherently probabilistic process. In contrast, treating an ANN as a probabilistic model derived via Bayesian inference poses significant challenges for conventional deterministic computing architectures. Here, we use chaotic light in combination with incoherent photonic data processing to enable high-speed probabilistic computation and uncertainty quantification. Since both the chaotic light source and the photonic crossbar support multiple independent computational wavelength channels, we sample from the output distributions in parallel at a sampling rate of 70.4 GS/s, limited only by the electronic interface. We exploit the photonic probabilistic architecture to simultaneously perform image classification and uncertainty prediction via a Bayesian neural network. Our prototype demonstrates the seamless cointegration of a physical entropy source and a computational architecture that enables ultrafast probabilistic computation by parallel sampling.

研究の動機と目的

• 人工ニューラルネットワークの予測における不確実性を扱うための決定的コンピューティングの限界を解消すること。
• フォトニクスハードウェアにおける物理的エントロピー源を活用して、高速な確率的推論を実現すること。
• 混沌とした光と非整合性フォトニック処理を用いて、確率的出力の並列サンプリングを実現すること。
• 物理的エントロピー源を計算アーキテクチャに直接統合し、リアルタイムの不確実性対応機械学習を実現すること。
• 波長分割多重を活用して、フォトニッククロスバーで超高速かつスケーラブルな確率的コンピューティングを実現すること。

提案手法

• 混沌とした光源を物理的エントロピー生成源として用い、確率的入力信号を生成する。
• 非整合性フォトニッククロスバー構造を用いて、複数チャネルにわたる波長多重による並列計算を実現する。
• 混沌とした光信号をフォトニクスハードウェアに実装されたベイジアンニューラルネットワークに適用し、確率的推論を実行する。
• 電子インターフェースを用いて70.4 GS/sでフォトニック出力をサンプリングし、電子帯域幅に制限されるのみである。
• 混沌とした光の固有の統計的性質を活用して、明示的な乱数生成なしに複雑な確率的分布からのサンプリングを実現する。
• 波長分割多重を用いて、複数の並列チャネルで独立した計算を可能とし、スループットを向上させる。

実験結果

リサーチクエスチョン

• RQ1 混沌とした光は、確率的コンピューティングのためのスケーラブルで高帯域幅な物理的エントロピー源として機能できるか？
• RQ2 フォトニッククロスバー構造は、ギガサンプル/秒レベルの並列確率的出力サンプリングを実現できるか？
• RQ3 フォトニクスシステムは、ベイジアンニューラルネットワークを用いて、同時に画像分類と不確実性の定量化を実行できるか？
• RQ4 物理的ランダムネスとフォトニックコンピューティングの統合が、推論速度と精度に与える影響は何か？
• RQ5 非整合性フォトニック処理は、確率的AIワークロードにおける電子的乱数生成をどの程度代替できるか？

主な発見

• システムは70.4 GS/sのサンプリングレートを達成し、電子インターフェースの制限のみに依存するため、超高速な確率的サンプリングを実証した。
• フォトニックアーキテクチャにより、ベイジアンニューラルネットワークを用いて画像分類と不確実性予測を同時に実行できる。
• 混沌とした光は、外部の乱数生成装置を不要にする高帯域幅の内在的エントロピー源を提供する。
• 非整合性フォトニッククロスバーは、複数の独立した計算波長チャネルをサポートし、並列確率的推論を可能にする。
• プロトタイプは、物理的エントロピーと計算アーキテクチャのシームレスな統合を実証し、リアルタイムの確率的コンピューティングを実現した。
• 本アプローチにより、混沌とした光の統計的性質をフォトニックフレームワーク内で直接活用することで、高速かつ不確実性対応の推論が可能になった。