[论文解读] Parallel fault-tolerant programming of an arbitrary feedforward photonic network

Sunil Pai, Ian A. D. Williamson+5 more|arXiv (Cornell University)|Sep 11, 2019

Neural Networks and Reservoir Computing被引用 9

一句话总结

本文提出一种基于图拓扑的框架，通过识别可同时通过光电反馈校准以消除输出光强的非相互作用可调分束器列，实现前馈光子网络的并行、容错编程。该方法将编程时间减少至N阶，无需事先了解节点参数或校准模型，从而实现高效校准。

ABSTRACT

Reconfigurable photonic mesh networks of tunable beamsplitter nodes can linearly transform $N$-dimensional vectors representing input modal amplitudes of light for applications such as energy-efficient machine learning hardware, quantum information processing, and mode demultiplexing. Such photonic meshes are typically programmed and/or calibrated by tuning or characterizing each beam splitter one-by-one, which can be time-consuming and can limit scaling to larger meshes. Here we introduce a graph-topological approach that defines the general class of feedforward networks commonly used in such applications and identifies columns of non-interacting nodes that can be adjusted simultaneously. By virtue of this approach, we can calculate the necessary input vectors to program entire columns of nodes in parallel by simultaneously nullifying the power in one output of each node via optoelectronic feedback onto adjustable phase shifters or couplers. This parallel nullification approach is fault-tolerant to fabrication errors, requiring no prior knowledge or calibration of the node parameters, and can reduce the programming time by a factor of order $N$ to being proportional to the optical depth (or number of node columns in the device). As a demonstration, we simulate our programming protocol on a feedforward optical neural network model trained to classify handwritten digit images from the MNIST dataset with up to 98% validation accuracy.

研究动机与目标

• 为解决大规模可重构光子网格编程中的可扩展性瓶颈，传统方法需逐个节点顺序调谐。
• 消除对节点参数预先校准或精确制造模型的依赖，从而提升鲁棒性与可扩展性。
• 为任意前馈光子网络（包括光学神经网络与量子线性光学电路）开发一种容错、高效的编程协议。
• 通过实现整个节点列的并行调谐，将编程时间从O(N²)减少至O(N)步。
• 通过功率消零反馈实现实时错误检测与纠正。

提出的方法

• 该方法将前馈光子网络按图拓扑分类为非相互作用可调分束器列，可并行编程。
• 使用一组输入向量（源自目标矩阵行的复共轭）同时抑制每列中各节点底部输出的光强。
• 光电反馈控制可调相移器或耦合器，实现实时目标输出光强消零，支持自校准。
• 该协议利用线性光学网络的互易性，兼容任意前馈网格拓扑，包括矩形网格与三角晶格。
• 该算法仅需L组输入向量即可完成L列的校准，相比逐节点方法显著减少编程步数。
• 对制造误差与相位漂移具有内在容错性，因其不依赖预先校准的电压-相位关系。

实验结果

研究问题

• RQ1 能否通过识别并利用非相互作用节点列，更高效地编程前馈光子网络？
• RQ2 如何为任意前馈光子网格设计一种容错、免校准的编程协议？
• RQ3 与逐节点顺序校准相比，并行调谐节点列可实现的最大提速是多少？
• RQ4 能否在不预先知晓节点参数的情况下，利用光电反馈同时消零整列分束器的输出光强？
• RQ5 在制造缺陷或环境漂移条件下，该方法性能如何？是否可实现实时错误纠正？

主要发现

• 所提出的并行消零方法将编程时间从O(N²)减少至O(N)步，相比顺序校准实现高达N倍的加速。
• 该方法对制造误差与相位漂移具有容错性，无需预先校准节点参数或电压-相位关系。
• 该协议支持实时错误检测：若底部输出光强未被完全消零，表明对应节点列存在故障或对准错误。
• 仿真结果表明，该方法成功将光学神经网络编程至MNIST数据集上实现98%的验证准确率。
• 该方法可推广至任意前馈光子网格，包括用于量子线性光学与光通信的网络。
• 附录G推导出一种并行校准协议，实现高效、列级校准，无需显式校准元-MZI单元。