[논문 리뷰] Parallel fault-tolerant programming of an arbitrary feedforward photonic network

Sunil Pai, Ian A. D. Williamson외 5명|arXiv (Cornell University)|2019. 09. 11.

Neural Networks and Reservoir Computing인용 수 9

한 줄 요약

이 논문은 피드포워드 광학 네트워크의 병렬 및 고장 내성 프로그래밍을 위한 그래프-위상적 프레임워크를 제안한다. 비상호작용 성분을 갖는 테이블러블 비스플리터의 열을 식별하여, 이를 동시에 캘리브레이션할 수 있도록 광전자 피드백을 통해 출력 전력을 제로로 만든다. 이 방법은 프로그래밍 시간을 약 N 배로 감소시켜, 노드 파rameter나 캘리브레이션 모델에 대한 사전 지식 없이도 효율적인 캘리브레이션을 가능하게 한다.

ABSTRACT

Reconfigurable photonic mesh networks of tunable beamsplitter nodes can linearly transform $N$-dimensional vectors representing input modal amplitudes of light for applications such as energy-efficient machine learning hardware, quantum information processing, and mode demultiplexing. Such photonic meshes are typically programmed and/or calibrated by tuning or characterizing each beam splitter one-by-one, which can be time-consuming and can limit scaling to larger meshes. Here we introduce a graph-topological approach that defines the general class of feedforward networks commonly used in such applications and identifies columns of non-interacting nodes that can be adjusted simultaneously. By virtue of this approach, we can calculate the necessary input vectors to program entire columns of nodes in parallel by simultaneously nullifying the power in one output of each node via optoelectronic feedback onto adjustable phase shifters or couplers. This parallel nullification approach is fault-tolerant to fabrication errors, requiring no prior knowledge or calibration of the node parameters, and can reduce the programming time by a factor of order $N$ to being proportional to the optical depth (or number of node columns in the device). As a demonstration, we simulate our programming protocol on a feedforward optical neural network model trained to classify handwritten digit images from the MNIST dataset with up to 98% validation accuracy.

연구 동기 및 목표

• 대규모 재구성 가능한 광학 메시 네트워크의 프로그래밍에서 기존에 순차적으로 각 노드를 조정해야 하는 스케일링 병목 현상을 해결하기 위해.
• 노드 파rameter나 정밀한 제조 모델에 대한 사전 캘리브레이션 필요성을 제거하여, 내성성과 확장성의 제약을 줄이기 위해.
• 임의의 피드포워드 광학 네트워크, 특히 광학 신경망과 양자 선형 광학 회로에 적용 가능한 고장 내성적이고 효율적인 프로그래밍 프rotocol를 개발하기 위해.
• 전체 노드 열을 동시에 조정할 수 있도록 함으로써 프로그래밍 시간을 O(N²)에서 O(N) 단계로 감소시키기 위해.
• 출력 전력 제로화 피드백을 통해 캘리브레이션 중 실시간 오류 감지 및 수정을 가능하게 하기 위해.

제안 방법

• 이 방법은 피드포워드 광학 네트워크를 비상호작용 성분을 갖는 테이블러블 비스플리터의 열로 그래프-위상적 분류하여 병렬로 프로그래밍할 수 있도록 한다.
• 목표 행렬의 복소수 켤라위를 기반으로 한 입력 벡터 집합(Nullification set)을 사용하여, 각 열의 노드에서 하단 출력 전력이 동시에 억제되도록 한다.
• 조정 가능한 위상 이동기나 결합기를 제어하는 광전자 피드백을 통해 목표 출력에서 실시간 전력 제로화를 달성함으로써 자가 캘리브레이션을 가능하게 한다.
• 이 프로토콜은 선형 광학 네트워크의 상호성 원리를 활용하며, 직사각형 격자나 삼각 격자 포함한 임의의 피드포워드 메시 구조와 호환된다.
• L개의 열에 대해 단지 L개의 입력 벡터만 필요로 하여, 노드별로 조정하는 방법에 비해 프로그래밍 단계 수를 크게 줄인다.
• 사전에 캘리브레이션된 전압-위상 관계에 의존하지 않기 때문에 제조 오차나 위상 드리프트에 대해 본질적으로 고장 내성적이다.

실험 결과

연구 질문

• RQ1 비상호작용 성분을 갖는 노드 열을 식별하고 활용함으로써 피드포워드 광학 네트워크의 프로그래밍 효율성을 높일 수 있는가?
• RQ2 임의의 피드포워드 광학 메시 네트워크에 대해 고장 내성적이고 캘리브레이션 불필요한 프로그래밍 프로토콜를 어떻게 설계할 수 있는가?
• RQ3 노드 열을 병렬로 조정함으로써 순차적 노드별 캘리브레이션에 비해 프로그래밍 시간에서 기대할 수 있는 최대 속도 향상은 얼마인가?
• RQ4 노드 파rameter에 대한 사전 지식 없이도 광전자 피드백을 사용해 전체 비스플리터 열의 출력 전력을 동시에 제로로 만들 수 있는가?
• RQ5 제조 오차나 환경적 드리프트 상황에서 이 방법은 어떻게 성능을 보이며, 실시간 오류 수정을 가능하게 하는가?

주요 결과

• 제안된 병렬 제로화 방법은 프로그래밍 시간을 O(N²)에서 O(N) 단계로 감소시켜 순차적 캘리브레이션 대비 최대 N 배의 속도 향상을 달성한다.
• 이 방법은 제조 오차나 위상 드리프트에 대해 고장 내성적이며, 노드 파rameter나 전압-위상 관계에 대한 사전 캘리브레이션 필요가 없다.
• 실시간 오류 감지가 가능하다: 하단 출력에서 제로로 이뤄지지 않은 전력은 고장 났거나 잘못 정렬된 노드 열을 나타낸다.
• 시뮬레이션 결과, 이 방법은 MNIST 데이터셋에서 98%의 검증 정확도를 달성하는 광학 신경망을 성공적으로 프로그래밍했다.
• 이 접근법은 양자 선형 광학 및 광통신에서 사용되는 임의의 피드포워드 광학 메시 네트워크로 일반화 가능하다.
• 부록 G에 따라 병렬 캘리브레이션 프로토콜가 유도되었으며, 메타-MZI 셀의 명시적 캘리브레이션 없이도 효율적인 열 기반 캘리브레이션을 가능하게 한다.