[论文解读] Photonic neural field on a silicon chip: large-scale, high-speed neuro-inspired computing and sensing

Satoshi Sunada, Atsushi Uchida|arXiv (Cornell University)|May 22, 2021

Neural Networks and Reservoir Computing参考文献 57被引用 4

一句话总结

该论文提出了一种基于硅基芯片的光子神经场，利用多模波导中的空间连续光干涉实现大规模、高速的类脑计算。通过利用波导的高空间自由度及其对光输入的非线性响应，该系统实现了每秒超过一 Peta 次乘加（MAC）操作，且存储保持时间低于 0.2 ns，展示了高精度的混沌时间序列预测和超快的光学相位传感能力。

ABSTRACT

Photonic neural networks have significant potential for high-speed neural processing with low latency and ultralow energy consumption. However, the on-chip implementation of a large-scale neural network is still challenging owing to its low scalability. Herein, we propose the concept of a photonic neural field and implement it experimentally on a silicon chip to realize highly scalable neuro-inspired computing. In contrast to existing photonic neural networks, the photonic neural field is a spatially continuous field that nonlinearly responds to optical inputs, and its high spatial degrees of freedom allow for large-scale and high-density neural processing on a millimeter-scale chip. In this study, we use the on-chip photonic neural field as a reservoir of information and demonstrate a high-speed chaotic time-series prediction with low errors using a training approach similar to reservoir computing. We discuss that the photonic neural field is potentially capable of executing more than one peta multiply-accumulate operations per second for a single input wavelength on a footprint as small as a few square millimeters. In addition to processing, the photonic neural field can be used for rapidly sensing the temporal variation of an optical phase, facilitated by its high sensitivity to optical inputs. The merging of optical processing with optical sensing paves the way for an end-to-end data-driven optical sensing scheme.

研究动机与目标

• 为克服现有片上光子神经网络在可扩展性和速度方面的局限性。
• 利用光学场的空间自由度，在毫米级硅基芯片上实现大规模、高密度的神经处理。
• 通过单一光子平台实现高速、低延迟的类脑计算与传感。
• 实现每秒 Peta 级 MAC 操作，同时能耗极低。
• 将光学处理与传感功能集成到端到端的数据驱动系统中。

提出的方法

• 光子神经场通过多模波导实现，该波导能将输入光生成空间连续的类似散斑的干涉图样。
• 系统利用具有不同相速度的导模之间的复杂干涉，生成高维、非线性的响应场。
• 神经场在回声状态计算中充当储藏池，仅需训练读出层，从而实现快速高效的计算。
• 通过测量强度分布 $ I(x,t) $ 来获取系统对光输入的响应，该分布编码了时空信息。
• 通过输入脉冲与场响应之间的互相关性评估记忆能力，相关时间 $ t_c \approx 0.2 $ ns。
• 通过求解模式耦合方程的数值解来计算被激发的导模数量，证实了由于衍射耦合导致所有模式均被完全激发。

实验结果

研究问题

• RQ1 基于硅基芯片的连续空间光场是否能够突破离散节点光子网络的限制，实现大规模、高速的神经处理？
• RQ2 基于多模波导动力学的光子神经场的最大处理速度与记忆保持时间是多少？
• RQ3 同一光子平台是否能同时实现高速计算与超快光学相位传感？
• RQ4 多模波导中的空间自由度如何实现低能耗、可扩展的神经处理？
• RQ5 光子神经场在多大程度上能够模拟混沌等复杂动力学行为，以实现时间序列预测？

主要发现

• 片上光子神经场在几平方毫米的面积内，对单个输入波长实现了超过一 Peta 次乘加（MAC）操作每秒的处理速率。
• 系统表现出低于 0.2 ns 的记忆保持能力，相关时间 $ t_c \approx 0.2 $ ns，经脉冲响应与记忆容量实验验证。
• 当延迟步数 $ i > 3 $ 时，记忆功能衰减充分，表明在 12.5 GS/s 输入速率下，记忆长度为 0.16–0.24 ns。
• 该神经场实现了高精度的混沌时间序列预测，误差极低，验证了其作为储藏池计算平台的有效性。
• 系统对光学相位变化表现出高度敏感性，可无需额外组件即可快速感知时间相位变化。
• 数值分析证实，通过单模输入的衍射耦合，多模波导中的所有导模均被激发，从而最大化空间自由度。