[论文解读] A Laser Spiking Neuron in a Photonic Integrated Circuit

Mitchell A. Nahmias, Hsuan-Tung Peng+5 more|arXiv (Cornell University)|Dec 15, 2020

Neural Networks and Reservoir Computing被引用 4

一句话总结

本文提出了一种基于光电集成电路（PIC）的激光脉冲神经元，利用可激发激光动力学模拟生物脉冲行为。通过采用平衡光电探测器和半导体光放大器，该器件实现了跨多个波长的非线性运算，如加权求和、激发、抑制及级联，展示了与波分复用技术的兼容性，适用于可扩展的光子神经网络。

ABSTRACT

There has been a recent surge of interest in the implementation of linear operations such as matrix multipications using photonic integrated circuit technology. However, these approaches require an efficient and flexible way to perform nonlinear operations in the photonic domain. We have fabricated an optoelectronic nonlinear device--a laser neuron--that uses excitable laser dynamics to achieve biologically-inspired spiking behavior. We demonstrate functionality with simultaneous excitation, inhibition, and summation across multiple wavelengths. We also demonstrate cascadability and compatibility with a wavelength multiplexing protocol, both essential for larger scale system integration. Laser neurons represent an important class of optoelectronic nonlinear processors that can complement both the enormous bandwidth density and energy efficiency of photonic computing operations.

研究动机与目标

• 解决光电集成电路在人工智能工作负载中缺乏高效、灵活且可扩展的非线性光学子系统的问题。
• 在与PIC兼容的平台上，实现基于激光动力学的生物启发式脉冲神经元。
• 在单个器件中实现跨多个波长通道的同步激发、抑制与求和。
• 验证级联能力及与波分复用技术的兼容性，以支持系统级集成。
• 通过减少对电子非线性转换的依赖，实现能效更高、带宽更宽的光子计算。

提出的方法

• 激光神经元采用一对平衡光电探测器（BPDs）对不同波长的多个输入信号进行电流求和。
• BPD的输出驱动具有半导体光放大器（SOA）的分布反馈（DFB）激光器，产生可激发的动力学行为，从而生成脉冲响应。
• 系统采用波分复用（WDM），为每个激光神经元分配唯一波长，以实现并行处理。
• 通过具有可编程延迟的PPG（脉冲图案发生器）实现时分复用，以在各通道上模拟泊松分布的输入。
• 使用光纤延迟线（90–720 ns）为每个波长引入受控时间延迟，通过数字补偿对齐输入信号的时序。
• 通过连续波参考信号进行功率校准，以实现所有通道输入与输出功率测量的归一化。

实验结果

研究问题

• RQ1 光电集成电路能否利用模拟生物神经元的激光动力学实现非线性脉冲神经元？
• RQ2 该器件能否在单个节点中实现多个波长通道的同步激发与抑制？
• RQ3 激光神经元是否与波分复用兼容，并具备级联能力以实现更大规模网络集成？
• RQ4 系统能否通过可编程、时分复用的输入（如泊松分布的比特模式）实现精确的脉冲行为？
• RQ5 该光子脉冲神经元是否能减少对高能耗电子-光转换的依赖，同时保持高速、低功耗运行？

主要发现

• 该激光神经元在八个不同波长通道上成功展示了对兴奋性与抑制性输入的脉冲响应行为。
• 器件实现了精确时间控制下的同步激发与抑制，通过时域波形与光谱测量得到验证。
• 通过将一个激光神经元的输出作为另一个的输入，验证了级联能力，证实其与多层网络架构的兼容性。
• 系统在多个波长上保持了信号完整性，经由波分复用器与解复用器（AWG）处理后，输入模式被正确重建。
• 功率校准实现了输入与输出波形的准确归一化，实测输入功率在各通道间一致，且在预期损耗范围内。
• 该器件在5 GHz时钟频率与88 ns时窗下运行，支持高速、低抖动处理，适用于神经网络推理。