[논문 리뷰] Diffractive Interconnects: All-Optical Permutation Operation Using Diffractive Networks

Deniz Mengü, Yifan Zhao외 3명|arXiv (Cornell University)|2022. 06. 21.

Optical Network Technologies참고 문헌 87인용 수 22

한 줄 요약

이 논문은 깊이 학습을 통해 훈련된 회절성 광학 네트워크를 제안하여 수십만 개의 입력-출력 채널 간에 수동적이고 에너지 효율적이며 고속의 전광학적 순열 연산을 스케일링할 수 있도록 한다. 3D 프린팅된 투과성 층을 사용하여 625개의 상호연결을 실현한 THz 대역의 회절성 순열 네트워크의 첫 실험적 구현이 이루어졌으며, 물리적 이물질 정렬 오차와 제조 오차에 대한 훈련된 내성도 확보하였다.

ABSTRACT

Permutation matrices form an important computational building block frequently used in various fields including e.g., communications, information security and data processing. Optical implementation of permutation operators with relatively large number of input-output interconnections based on power-efficient, fast, and compact platforms is highly desirable. Here, we present diffractive optical networks engineered through deep learning to all-optically perform permutation operations that can scale to hundreds of thousands of interconnections between an input and an output field-of-view using passive transmissive layers that are individually structured at the wavelength scale. Our findings indicate that the capacity of the diffractive optical network in approximating a given permutation operation increases proportional to the number of diffractive layers and trainable transmission elements in the system. Such deeper diffractive network designs can pose practical challenges in terms of physical alignment and output diffraction efficiency of the system. We addressed these challenges by designing misalignment tolerant diffractive designs that can all-optically perform arbitrarily-selected permutation operations, and experimentally demonstrated, for the first time, a diffractive permutation network that operates at THz part of the spectrum. Diffractive permutation networks might find various applications in e.g., security, image encryption and data processing, along with telecommunications; especially with the carrier frequencies in wireless communications approaching THz-bands, the presented diffractive permutation networks can potentially serve as channel routing and interconnection panels in wireless networks.

연구 동기 및 목표

• 수동적 회절성 네트워크를 활용하여 대규모 순열 연산을 스케일링 가능한 전광학적 방법으로 구현하는 것.
• 깊이 회절성 광학 시스템에서의 물리적 정렬 및 회절 효율성 문제를 해결하는 것.
• 깊이 학습을 통해 획득한 이물질 정렬 내성 회절성 네트워크를 설계하여 횡방향, 축방향, 회전 오차에 대한 내성 확보.
• 3D 프린팅된 회절성 층을 사용하여 첫 실험적 검증을 수행한 THz 대역의 회절성 순열 네트워크를 제안하는 것.
• THz 통신, 광 상호연결 및 안전한 데이터 처리 분야의 응용 가능성을 제공하는 것.

제안 방법

• 다중 투과성 층을 통해 위상 및 진폭 조절을 설계하기 위해 딥러닝을 활용한 훈련된 회절성 광학 네트워크.
• 경사 하강법과 오차 역전파를 사용하여 波장 스케일의 전송 요소를 최적화.
• 훈련 중에 물리적 이물질 정렬(횡방향, 축방향, 회전)을 랜덤 변수로 모델링하여 내성 향상.
• 재료 두께의 통계적 변동을 훈련 중에 통합하여 제조 오차에 대한 내성 확보.
• 각 입력 픽셀을 순차적으로 활성화하는 정방향 모델을 사용하여 출력 강도 패턴을 기록하고, 순열 행렬의 열을 구성.
• 광학 손실을 고려하기 위해 스케일링 인자 σP를 적용하고, 성능 평가에 PSNR 및 SSIM 지표 사용.

실험 결과

연구 질문

• RQ1 딥러닝을 통해 훈련된 회절성 광학 네트워크는 높은 정확도와 확장성으로 대규모 순열 연산을 수행할 수 있는가?
• RQ2 회절성 층의 수와 훈련 가능한 요소의 수가 네트워크의 주어진 순열을 근사하는 능력에 어떤 영향을 미치는가?
• RQ3 훈련을 통해 회절성 네트워크를 물리적 이물질 정렬 및 제조 결함에 얼마나 잘 견딜 수 있도록 만들 수 있는가?
• RQ4 THz 주파수 대역에서 고밀도 상호연결을 구현한 회절성 순열 네트워크를 실험적으로 증명할 수 있는가?
• RQ5 실제 물리적 오차 조건 하에서 이러한 네트워크의 PSNR 및 SSIM 성능은 어떠한가?

주요 결과

• 실험적 구현에서 25×25 순열 행렬에 대해 PSNR 34.2 dB 및 SSIM 0.98를 달성하였다.
• 3D 프린팅된 회절성 층을 사용하여 THz 대역에서 단일 전광학적 통과로 625개의 상호연결(25×25)을 성공적으로 실현하였다.
• 회절성 층의 수와 훈련 가능한 전송 요소의 수가 증가함에 따라 성능이 비례적으로 향상되어 수십만 개의 상호연결으로의 확장 가능성을 시사하였다.
• 모의 이물질 정렬 조건에서 백신화된 회절성 네트워크(v-D2NN)는 높은 정확도를 유지하였으며, 여기서 ∆x = ∆y = 0.67λv, ∆z = 24λv, ∆θ = 4°이며, v = 0.5이다.
• 회절성 뉴런의 재료 두께에 ±0.0415λ의 변동을 훈련 중에 수용함으로써 제조 오차에 대한 내성 확보.
• GTX 1080 Ti GPU를 사용하여 5층 네트워크(층당 40,000개의 뉴런)를 5 에포크 동안 훈련하는 데 약 4일이 소요되어 훈련 파이프라인의 실현 가능성 확인.