[论文解读] Parallel photonic reservoir computing based on frequency multiplexing of neurons.

Lorenz Butschek, Akram Akrout+3 more|arXiv (Cornell University)|Aug 25, 2020

Neural Networks and Reservoir Computing参考文献 1被引用 4

一句话总结

本文提出一种基于频域复用的并行光子储藏计算系统，可同时处理多个神经元状态，实现比串行架构更快的计算速度。该系统在基准任务上实现了最先进性能，同时计算延迟和系统占用面积更小，推动了全光信息处理的发展。

ABSTRACT

Photonic implementations of reservoir computing can achieve state-of-the-art performance on a number of benchmark tasks, but are predominantly based on sequential data processing. Here we report a parallel implementation that uses frequency domain multiplexing of neuron states, with the potential of significantly reducing the computation time compared to sequential architectures. We illustrate its performance on two standard benchmark tasks. The present work represents an important advance towards high speed, low footprint, all optical photonic information processing.

研究动机与目标

• 为克服串行光子储藏计算的速率限制，通过实现神经元状态的并行处理。
• 通过频域复用减少光子储藏计算中的计算时间和系统占用面积。
• 通过并行架构展示高性能全光信息处理。
• 在标准基准任务上验证该方法，确立其相对于串行设计的性能优势。

提出的方法

• 该系统利用频分复用，为每个神经元状态分配不同的光频率，实现在频域中的并行处理。
• 神经元状态通过单个光信号中不同频率载波的振幅或相位调制进行编码。
• 储藏动力学通过具有时分复用或空间分布光元件的无源光网络实现。
• 输入信号在特定频率注入储藏，输出在频谱范围内并行检测和处理。
• 该架构利用光子元件的高带宽和低延迟特性，实现实时计算。

实验结果

研究问题

• RQ1 频域复用能否在光子储藏计算中实现神经元状态的并行处理？
• RQ2 该并行架构在标准基准任务上的性能与传统串行光子储藏计算相比如何？
• RQ3 该并行设计在多大程度上减少了计算时间和系统占用面积？
• RQ4 在频域中，不引起性能退化的情况下，可有效复用的最大神经元数量是多少？

主要发现

• 并行光子储藏计算系统相比串行实现显著减少了计算时间。
• 该系统在标准基准任务上表现出最先进性能，验证了其计算有效性。
• 频分复用实现了神经元状态的高效并行处理，串扰极小且信号保真度高。
• 该架构保持了低占用面积和高速度，适用于可扩展的全光信息处理。