[論文レビュー] All-optical computing with beyond 100-GHz clock rates

Gordon H. Y. Li, Midya Parto+10 more|arXiv (Cornell University)|Jan 10, 2025

Optical Network Technologies被引用数 4

ひとこと要約

著者らは光ドメインだけで情報を処理するエンドツーエンドの全光リカレントニューラルネットワーク（AO-RNN）を実証し、クロック周波数>100 GHzを達成。ノイズ波形分類、超高速ソリトン状態解析、時系列予測、量子ノイズ誘発画像生成などのタスクを実行。

ABSTRACT

A computer's clock rate ultimately determines the minimum time between sequential operations or instructions. Despite exponential advances in electronic computer performance owing to Moore's Law and increasingly parallel system architectures, computer clock rates have remained stagnant at $\sim5~\mathrm{GHz}$ for almost two decades. This poses an intractable problem for applications requiring real-time processing or control of ultrafast information systems. Here we break this barrier by proposing and experimentally demonstrating computing based on an end-to-end and all-optical recurrent neural network harnessing the ultrafast nature of linear and nonlinear optical operations while avoiding electronic operations. The all-optical computer realizes linear operations, nonlinear functions, and memory entirely in the optical domain with $>100~\mathrm{GHz}$ clock rates. We experimentally demonstrate a prototypical task of noisy waveform classification as well as perform ultrafast in-situ analysis of the soliton states from integrated optical microresonators. We further illustrate the application of the architecture for generative artificial intelligence based on quantum fluctuations to generate images even in the absence of input optical signals. Our results highlight the potential of all-optical computing beyond what can be achieved with digital electronics by utilizing ultrafast linear, nonlinear, and memory functions and quantum fluctuations.

研究の動機と目的

• 電子的クロック周波数の限界を超える全光コンピュータアーキテクチャを動機づけ、実証する。
• 光学ドメインだけで線形演算、非線形活性化、メモリを実現する。
• ノイズ波形分類、ソリトン状態解析、時系列予測、量子ノイズ誘発画像生成といった典型的タスクを示す。
• 超高速光計算の実時間処理および現場利用の超高速イメージング/センシングにおける可能性と限界を強調する。

提案手法

• 波長約1.55 μmで動作する時分割光ネットワークに基づくエンドツーエンド全光リカレントニューラルネットワーク（AO-RNN）を設計する。
• 再帰接続とメモリのための能動的光共振器を使用し、線形演算には多腕マッハゼンダー干渉計、プログラム可能な重みには電気光学変調器を用いる。
• χ(2)過程を介した逆プロトン交換周期ポーリングリチウムニオブ hydration（PPLN）導波路で非線形活性化を実装する。
• 出力層として第2の4腕マッハゼンダー干渉計を用い、重みはモジュレータに符号化する。
• 入力は超短パルスレーザーでエンコードし、有効クロック周波数をレーザーパルス繰り返し周波数f_cに設定する（最大120 GHzを実証）。
• 線形モデルと非線形モデルを比較して非線形光学的利点を示す訓練手法とタスクを説明する。

Figure 1: CPU clock rates over the past 29 years. Each point indicates the clock rate and testing date for a different type of commercially-available CPU. The colour corresponds to the entity that designed the CPU, with some prominent CPU designers listed in the legend. Red circle and text bottom in

実験結果

リサーチクエスチョン

• RQ1 全光ドメインだけでメモリ・非線形活性化・線形演算を含む意味ある計算をAO-RNNは実行できるか。
• RQ2 実用的な光計算タスクに対して達成可能なクロック周波数（>100 GHz）は何か、そして高速時に非線形活性化は性能にどう影響するか。
• RQ3 入力と出力が光信号または量子ノイズ由来の種 seed である場合、AO-RNNは分類・回帰・生成タスクを扱えるか。
• RQ4 超高速全光計算性能に影響を与える実務的制約（位相雑音、位相整合帯域、クロストーク）は何か。
• RQ5 このようなアーキテクチャを現場の超高速光分析・ソリトン状態特性評価にどう適用できるか。

主な発見

• AO-RNNは実験でクロック周波数100 GHzを超える。
• ノイズ波形の分類は10 GHzクロック周波数で最大97.5%の精度に達し、ランダムおよび線形モデルの基準を上回る。
• 位相雑音、有限の位相整合帯域、およびパルス重なりのため精度は50 GHzで92%、100 GHzで58%へ低下。
• Si3N4マイクロコムの二部系ソリトン状態の現場分類は95.6%の精度で、処理時間は100 ns未満（待機時間約24 ns）。
• AO-RNNを用いた時系列予測は10 GHzでNMSEを0.0144（三角波）、0.0094（正弦波）まで低減。
• 生成タスクは量子波動から画像を種として生成する；MNISTの7桁で、再帰層は非線形レーザー共振腔の発生自発放出でシードされて生成。

Figure 2: All-optical computer architecture. (a) A general recurrent neural network (RNN) consists of an input layer, hidden layer with recurrent connections, and output layer. (b) Schematic of the end-to-end all-optical recurrent neural network (AO-RNN) architecture based on a time-multiplexed phot