全硫系可编程全光学深度神经网络
光学
2021-03-02 v3 新兴技术
摘要
深度学习算法正在革新现代生活的诸多方面。通常，它们在基于 CMOS 的硬件上实现，存在严重的内存访问时间受限与数据路由低效问题。无任何电光转换的全光学神经网络可缓解这些缺陷。然而，作为光学神经网络关键构建模块的全光学非线性激活函数，需在片上高效开发。在此，我们引入并演示了在硫系材料光子平台上利用两种不同效应实现的光学突触加权与全光学非线性阈值化。我们展示了宽禁带相变材料中的结构相变如何通过非易失性光子存储器存储神经网络权重，而共振键失稳则用作不改变材料的非线性激活阈值。硫系材料内这两种不同转变实现了可编程神经网络，一旦训练完成便具有近零静态功耗，此外皮秒级延迟执行推理任务不受限制电子电路的导线充电制约；例如，我们展示纳秒级权重编程与近瞬时权重更新在 3 层全光学神经网络中于 20 皮秒内实现准确推理任务。完全绕过电光转换的光学神经网络有望用于网络边缘机器学习应用，其中实时决策至关重要，例如自主车辆或导航系统（如 LIDAR 系统的信号预处理）。
引用
@article{arxiv.2102.10398,
title = {All-Chalcogenide Programmable All-Optical Deep Neural Networks},
author = {Ting Yu and Xiaoxuan Ma and Ernest Pastor and Jonathan K. George and Simon Wall and Mario Miscuglio and Robert E. Simpson and Volker J. Sorger},
journal= {arXiv preprint arXiv:2102.10398},
year = {2021}
}