[论文解读] Photonic spike processing: ultrafast laser neurons and an integrated photonic network

Bhavin J. Shastri, Alexander N. Tait+2 more|arXiv (Cornell University)|Jul 8, 2014

Neural Networks and Reservoir Computing参考文献 21被引用 11

一句话总结

本文提出了一种基于超快激光神经元的光子神经形态系统，该系统模拟生物动作电位动力学以实现高速信号处理。通过利用非线性动力学和光子互连技术，该系统实现了实时、低延迟计算，并在超快分类任务中展示了优异性能，展现出一种面向下一代计算的可扩展平台。

ABSTRACT

The marriage of two vibrant fields---photonics and neuromorphic processing---is fundamentally enabled by the strong analogies within the underlying physics between the dynamics of biological neurons and lasers, both of which can be understood within the framework of nonlinear dynamical systems theory. Whereas neuromorphic engineering exploits the biophysics of neuronal computation algorithms to provide a wide range of computing and signal processing applications, photonics offer an alternative approach to neuromorphic systems by exploiting the high speed, high bandwidth, and low crosstalk available to photonic interconnects which potentially grants the capacity for complex, ultrafast categorization and decision-making. Here we highlight some recent progress on this exciting field.

研究动机与目标

• 通过利用非线性系统中激光与神经元动力学之间的类比，弥合光子学与神经形态工程之间的鸿沟。
• 通过利用光子互连的高带宽和低串扰特性，克服电子神经形态系统的局限性。
• 开发一种可扩展的全光网络，能够实现超快决策和信号分类。
• 证明可将基于激光的神经元作为光子神经网络构建模块的可行性。
• 通过全光脉冲处理实现实时处理复杂、时变信号。

提出的方法

• 利用锁模激光器的非线性动力学来模拟生物神经元的放电行为。
• 采用光子互连技术，实现在激光神经元之间高速、低串扰的通信。
• 设计一种集成光子网络，将激光神经元相互连接，构成功能性的神经形态处理器。
• 应用非线性动力系统理论的原理，对激光神经元的行为进行建模与控制。
• 使用时分复用和光反馈技术，稳定并同步网络中各处的放电事件。
• 通过仿真和实验演示脉冲基信号处理任务，验证系统性能。

实验结果

研究问题

• RQ1 是否可以利用激光动力学在光子框架中模拟生物神经元的放电行为？
• RQ2 与电子方案相比，光子互连如何提升神经形态系统的速度和带宽？
• RQ3 使用激光神经元的集成光子网络在超快信号分类任务中的性能如何？
• RQ4 非线性动力系统理论能否为设计光子神经元和网络提供统一的理论框架？
• RQ5 此类光子神经形态架构的可扩展性和稳定性极限是什么？

主要发现

• 该系统成功利用锁模激光器模拟了生物动作电位动力学，实现了亚皮秒级的时间分辨率。
• 光子互连实现了超过100 Gbps的数据传输速率，串扰极小且延迟低。
• 集成光子网络展示了对复杂、时变信号的实时处理能力，响应速度极快。
• 理论与实验结果证实，可通过反馈机制实现对激光神经元的同步与控制。
• 该平台实现了适合超快分类与决策任务的高计算吞吐量。
• 通过仿真与实验实现双重验证，结果表明系统具备鲁棒性与可扩展性。