[논문 리뷰] Probabilistic Photonic Computing with Chaotic Light

Frank Brückerhoff‐Plückelmann, Hendrik Borras외 11명|arXiv (Cornell University)|2024. 01. 31.

Neural Networks and Reservoir Computing인용 수 4

한 줄 요약

이 논문은 베이지안 신경망을 통한 고속 확률적 추론을 가능하게 하기 위해 혼돈광을 물리적 엔트로피 원천으로 활용하는 광학 컴퓨팅 아키텍처를 제시한다. 70.4 GS/s에서 동시 다중 채널 병렬 샘플링을 통해 확률 분포를 추출하는 비코herent 광학 크로스바를 사용함으로써, 시스템은 동시에 이미지 분류와 불확실성 정량화를 수행하며, 물리적 무작위성과 계산 속도의 원활한 통합을 입증한다.

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.

연구 동기 및 목표

• 인공 신경망 예측에서의 불확실성을 다루는 결정론적 계산의 한계를 해결하기 위해.
• 광학 하드웨어 내 물리적 엔트로피 원천을 활용하여 고속 확률적 추론을 가능하게 하기 위해.
• 혼돈광과 비코herent 광학 처리를 통해 확률적 출력을 병렬 샘플링하기 위해.
• 실시간 불확실성 인식 기계 학습을 위한 계산 아키텍처에 직접 물리적 엔트로피 원천을 통합하기 위해.
• 광학 크로스바 내 파장 분할 Multiplexing를 활용하여 초고속이고 확장 가능한 확률적 계산을 실현하기 위해.

제안 방법

• 확률적 입력 신호를 생성하기 위해 혼돈광을 물리적 엔트로피 생성기로 활용한다.
• 다중 채널을 통해 병렬로 파장 분할된 계산을 수행하기 위해 비코herent 광학 크로스바 아키텍처를 사용한다.
• 혼돈광 신호를 광학 하드웨어에 구현된 베이지안 신경망에 적용하여 확률적 추론을 수행한다.
• 전자 인터페이스를 통해 70.4 GS/s 속도로 광학 출력을 샘플링하며, 이는 전자 대역폭에 의해 제한된다.
• 혼돈광의 고유한 통계적 성질을 활용하여 명시적 난수 생성 없이도 복잡한 확률 분포에서 샘플링한다.
• 파장 분할 Multiplexing를 통해 다중 병렬 채널에서 독립적인 계산을 가능하게 하여 처리량을 증가시킨다.

실험 결과

연구 질문

• RQ1 혼돈광은 확률적 계산을 위한 확장 가능하고 고대역폭의 물리적 엔트로피 원천으로 기능할 수 있는가?
• RQ2 광학 크로스바 아키텍처는 다기가샘플/초 수준의 속도로 확률적 출력을 병렬 샘플링할 수 있는가?
• RQ3 광학 시스템은 베이지안 신경망을 사용하여 동시에 이미지 분류와 불확실성 정량화를 수행할 수 있는가?
• RQ4 물리적 무작위성과 광학 계산의 통합이 추론 속도와 정확도에 어떤 영향을 미치는가?
• RQ5 비코herent 광학 처리가 확률적 AI 워크로드에서 전자 난수 생성기를 얼마나 대체할 수 있는가?

주요 결과

• 전자 인터페이스에 의해 제한되는 바, 시스템은 70.4 GS/s의 샘플링 속도를 달성하여 초고속 확률적 샘플링을 입증한다.
• 광학 아키텍처는 베이지안 신경망을 활용해 동시에 이미지 분류와 불확실성 예측을 수행할 수 있다.
• 혼돈광은 외부 난수 생성기의 필요성을 제거하는 고대역폭의 내재된 엔트로피 원천을 제공한다.
• 비코herent 광학 크로스바는 다중 독립 계산 파장 채널을 지원하여 병렬 확률적 추론을 가능하게 한다.
• 프로토타입은 실시간 확률적 계산을 위한 물리적 엔트로피와 계산 아키텍처의 원활한 공통 통합을 입증한다.
• 혼돈광의 통계적 성질을 직접 광학 프레임워크 내에서 활용함으로써 고속이고 불확실성 인식 기반의 추론을 실현한다.