[论文解读] Probabilistic Photonic Computing with Chaotic Light

Frank Brückerhoff‐Plückelmann, Hendrik Borras+11 more|arXiv (Cornell University)|Jan 31, 2024

Neural Networks and Reservoir Computing被引用 4

一句话总结

本文提出一种光子计算架构，利用混沌光作为物理熵源，通过贝叶斯神经网络实现高速概率推理。通过使用非相干光子交叉阵列以70.4 GS/s的速率并行采样概率分布，该系统同时执行图像分类与不确定性量化，展示了物理随机性与计算速度的无缝集成。

ABSTRACT

Biological neural networks effortlessly tackle complex computational problems and excel at predicting outcomes from noisy, incomplete data, a task that poses significant challenges to traditional processors. Artificial neural networks (ANNs), inspired by these biological counterparts, have emerged as powerful tools for deciphering intricate data patterns and making predictions. However, conventional ANNs can be viewed as "point estimates" that do not capture the uncertainty of prediction, which is an inherently probabilistic process. In contrast, treating an ANN as a probabilistic model derived via Bayesian inference poses significant challenges for conventional deterministic computing architectures. Here, we use chaotic light in combination with incoherent photonic data processing to enable high-speed probabilistic computation and uncertainty quantification. Since both the chaotic light source and the photonic crossbar support multiple independent computational wavelength channels, we sample from the output distributions in parallel at a sampling rate of 70.4 GS/s, limited only by the electronic interface. We exploit the photonic probabilistic architecture to simultaneously perform image classification and uncertainty prediction via a Bayesian neural network. Our prototype demonstrates the seamless cointegration of a physical entropy source and a computational architecture that enables ultrafast probabilistic computation by parallel sampling.

研究动机与目标

• 解决确定性计算在处理人工神经网络预测不确定性方面的局限性。
• 通过利用光子硬件中的物理熵源，实现高速概率推理。
• 展示利用混沌光与非相干光子处理实现概率输出的并行采样。
• 将物理熵源直接集成到计算架构中，实现实时不确定性感知的机器学习。
• 通过在光子交叉阵列中利用波分复用技术，实现超高速、可扩展的概率计算。

提出的方法

• 利用混沌光源作为物理熵生成器，产生随机输入信号。
• 采用非相干光子交叉阵列架构，在多个通道上实现波分复用的并行计算。
• 将混沌光信号应用于光子硬件中实现的贝叶斯神经网络，以实现概率推理。
• 通过电子接口以70.4 GS/s的速率采样光子输出，受限于电子带宽。
• 利用混沌光的固有统计特性，在无需显式随机数生成的情况下对复杂概率分布进行采样。
• 利用波分复用技术，实现在多个并行通道上的独立计算，提升吞吐量。

实验结果

研究问题

• RQ1 混沌光能否作为可扩展、高带宽的物理熵源，用于概率计算？
• RQ2 光子交叉阵列架构能否实现在每秒数十亿次采样速率下的概率输出并行采样？
• RQ3 光子系统能否利用贝叶斯神经网络同时执行图像分类与不确定性量化？
• RQ4 将物理随机性与光子计算相结合，对推理速度与准确性有何影响？
• RQ5 非相干光子处理在概率AI工作负载中，能在多大程度上替代电子随机数生成？

主要发现

• 系统实现70.4 GS/s的采样速率，仅受限于电子接口，证明了超高速概率采样能力。
• 光子架构支持在贝叶斯神经网络下同时进行图像分类与不确定性预测。
• 混沌光提供高带宽、内在的熵源，消除了对外部随机数生成器的需求。
• 非相干光子交叉阵列支持多个独立计算波长通道，实现并行概率推理。
• 原型展示了物理熵与计算架构的无缝共积，实现实时概率计算。
• 该方法通过直接利用混沌光在光子框架中的统计特性，实现高速、不确定性感知的推理。