[논문 리뷰] Photonic neural field on a silicon chip: large-scale, high-speed neuro-inspired computing and sensing

Satoshi Sunada, Atsushi Uchida|arXiv (Cornell University)|2021. 05. 22.

Neural Networks and Reservoir Computing참고 문헌 57인용 수 4

한 줄 요약

이 논문은 다중모드 파손도에서 공간 연속적인 광 간섭을 활용하여 대규모 고속 신경형 컴퓨팅을 가능하게 하는 실리콘 칩 상의 광학 뉴럴 필드를 제안한다. 파손도의 높은 공간 자유도와 광 입력에 대한 비선형 반응을 활용함으로써, 시스템은 1피타 MAC/s 이상의 연산 속도와 0.2 ns 이하의 메모리 유지 시간을 달성하여 고정밀한 혼돈 시간 시리즈 예측과 초고속 광학 위상 센싱을 구현한다.

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.

연구 동기 및 목표

• 기존의 칩 내 광학 뉴럴 네트워크의 확장성 및 속도 한계를 극복하기 위해.
• 광학 필드의 공간 자유도를 활용하여 몇 mm² 이내의 실리콘 칩 상에서 대규모 고밀도 뉴럴 처리를 실현하기 위해.
• 단일 광학 플랫폼을 통해 초고속 저지연 뉴럴형 컴퓨팅과 센싱을 동시에 수행하기 위해.
• 최소한의 에너지 소비로 피타스케일 MAC 연산을 매초 달성하기 위해.
• 광학 처리와 센싱을 종단 간 데이터 기반 시스템으로 통합하기 위해.

제안 방법

• 광학 뉴럴 필드는 입력 빛으로부터 공간 연속적인 스펙클 유사 간섭 무늬를 생성하는 다중모드 파손도를 사용하여 구현된다.
• 다른 위상 속도를 가진 유도 모드 간의 복잡한 간섭을 활용하여 고차원 비선형 반응 필드를 생성한다.
• 뉴럴 필드는 리저보아르 컴퓨팅에서 리더아웃 층만 학습되는 리저보아르로 기능하며, 이는 빠르고 효율적인 계산을 가능하게 한다.
• 시스템의 광입력에 대한 반응은 시간과 공간 정보를 코딩한 강도 분포 $ I(x,t) $ 를 통해 측정된다.
• 메모리 능력은 입력 펄스와 필드 반응 간의 상관관계를 통해 평가되며, 상관 시간 $ t_c \approx 0.2 $ ns 로 확인된다.
• 모드 커플링 방정정수의 수치적 해를 통해 고(excited)된 유도 모드의 수를 계산하였으며, 산란 결합에 의해 모든 모드가 완전히 자극됨을 확인하였다.

실험 결과

연구 질문

• RQ1 실리콘 칩 상의 공간 연속 광학 필드가 이산 노드 기반 광학 네트워크의 한계를 초월하여 대규모 고속 뉴럴 처리를 달성할 수 있는가?
• RQ2 다중모드 파손도 동역학에 기반한 광학 뉴럴 필드의 최대 처리 속도와 메모리 유지 시간은 얼마인가?
• RQ3 동일한 광학 플랫폼이 동시에 초고속 컴퓨팅과 초고속 광학 위상 센싱을 수행할 수 있는가?
• RQ4 다중모드 파손도의 공간 자유도는 최소한의 에너지 소비로 확장 가능한 뉴럴 처리를 어떻게 가능하게 하는가?
• RQ5 광학 뉴럴 필드는 시간 시리즈 예측을 위한 복잡한 동역학적 행동(예: 혼돈)을 어느 정도 모방할 수 있는가?

주요 결과

• 칩 내 광학 뉴럴 필드는 몇 mm² 이내의 면적에서 단일 입력 파장으로도 1피타 MAC/s 이상의 처리 속도를 달성한다.
• 펄스 응답 및 메모리 용량 실험을 통해 확인된 linf 0.2 ns 이하의 메모리 유지 시간($ t_c \approx 0.2 $ ns)을 보이며, 시스템은 높은 성능을 발휘한다.
• 지연 단계 $ i > 3 $ 에서 메모리 기능이 충분히 감쇠됨을 확인하여, 12.5 GS/s 입력 속도에서 0.16–0.24 ns의 메모리 길이를 가지는 것으로 나타났다.
• 낮은 오차로 고정밀한 혼돈 시간 시리즈 예측이 가능하여, 리저보아르 컴퓨팅 플랫폼으로서의 유용성을 입증하였다.
• 광학 위상 변화에 매우 민감하게 반응하여 추가 부품 없이도 시간적 위상 변화를 신속하게 감지할 수 있다.
• 수치 분석을 통해 단일 모드 입력으로부터의 산란 결합을 통해 다중모드 파손도 내 모든 유도 모드가 자극됨을 확인하였으며, 이는 공간 자유도를 최대한으로 활용함을 의미한다.