[论文解读] Superconducting Optoelectronic Neurons I: General Principles

Jeffrey M. Shainline, Sonia Buckley+4 more|arXiv (Cornell University)|May 4, 2018

Neural dynamics and brain function参考文献 87被引用 8

一句话总结

本文提出了一种基于超导光电子神经元的平台，利用光通信实现低延迟、高带宽的信号传输，并通过超导探测器实现单光子探测，从而实现能效高、可扩展的神经硬件。其核心贡献是建立了一个基于物理原理的设计框架，将半导体光源、超导电路和介质波导集成，实现光速通信与亚微秒级响应时间的认知规模计算。

ABSTRACT

The design of neural hardware is informed by the prominence of differentiated processing and information integration in cognitive systems. The central role of communication leads to the principal assumption of the hardware platform: signals between neurons should be optical to enable fanout and communication with minimal delay. The requirement of energy efficiency leads to the utilization of superconducting detectors to receive single-photon signals. We discuss the potential of superconducting optoelectronic hardware to achieve the spatial and temporal information integration advantageous for cognitive processing, and we consider physical scaling limits based on light-speed communication. We introduce the superconducting optoelectronic neurons and networks that are the subject of the subsequent papers in this series.

研究动机与目标

• 开发一种神经硬件平台，通过光学信号与超导元件模拟生物认知中的空间与时间整合特性。
• 通过利用超导探测器实现单光子信号接收，解决传统CMOS神经硬件在能效与带宽方面的限制。
• 通过将超导电路与集成光子互连及半导体光源结合，实现大规模、低功耗的神经网络。
• 探索在光速通信约束下，特别是针对具有幂律空间与时间分布的系统，神经网络的物理可扩展极限。
• 建立一种混合计算框架，使超导光电子网络能够与CMOS、量子计算机及低温传感器协同工作，支持先进计算应用。

提出的方法

• 通过介质波导实现光学通信，以支持在本地、区域及全球网络尺度下的低延迟、高带宽信号传输。
• 采用超导单光子探测器接收光信号，实现极低能量损耗，从而实现能效高的神经运算。
• 利用基于超导-金属相变的电压升压放大器，将半导体光源与超导电路集成，以驱动光发射。
• 应用约瑟夫森结与基于超导电流的逻辑电路，在超导域内处理并整合突触输入信号。
• 设计具有幂律度分布与小世界拓扑结构的网络，以支持分层化、差异化与一体化的信息处理。
• 对大规模系统进行建模，包含最多100万个神经元、1亿个可塑性突触与20 MHz的放电频率，总功耗仅为1 W。

实验结果

研究问题

• RQ1 在超导神经硬件中，光学通信能否实现大规模认知系统所需的低延迟与高扇出？
• RQ2 超导单光子探测器如何实现神经电路中极低功耗损耗的能效信号接收？
• RQ3 当通信受限于光速与单光子信号时，神经网络的物理可扩展极限是什么？
• RQ4 在超导电子器件低电压工作条件下，如何实现与需约1 V偏置的半导体光源的接口？
• RQ5 超导光电子神经元的集成能否支持具有幂律空间与时间动态特性的分层化小世界网络架构？

主要发现

• 超导光电子神经元平台实现了光速信号传输，传播延迟极低，支持神经网络中的高带宽通信。
• 利用超导隧道结实现的单光子探测可实现能效高的信号接收，响应时间低于1微秒，功耗极低。
• 该设计支持振荡频率的动态调节与极短的不应期，使神经活动可在多个数量级的频率范围内实现。
• 每个突触可塑性更新仅需单个光子，记忆更新时间最短可达50 ps，实现超快学习与自适应。
• 一个包含100万个神经元、1亿个可塑性突触与幂律度分布的网络可集成于单块300 mm晶圆上，总功耗仅为1 W。
• 该系统兼容低温环境，可与CMOS、量子计算机及超导传感器接口，支持混合计算架构。