用于循环神经网络的光声现场可编程感知机
光学
2024-04-19 v1 应用物理
摘要
信号处理中的一个关键特性是能够解释时间序列信号（如语音）中的相关性。机器学习系统通过在循环神经网络（RNNs）中跟踪内部状态来处理此类上下文信息，但从边缘设备到数据中心的应用中，这些状态可能导致内存与处理器瓶颈，从而推动了对新型模拟推理架构的研究。尽管尤其是光子加速器已在单向前馈深度神经网络（DNN）推理中取得巨大进展，但RNN的双向架构带来了独特挑战：需要一种短期记忆，其（i）以相位相干性可编程地变换光波形，（ii）最小化附加噪声，且（iii）可实现可编程并易于扩展至大量神经元。在此，我们通过引入一种同时满足（i,ii,iii）的光声循环算子（OREO）来应对该挑战。具体而言，我们实验演示了一个OREO，其通过声波对光脉冲序列所携带的信息进行上下文化与计算。我们表明，声波充当不同光脉冲之间的链接，捕获光学信息并用以操控后续操作。我们的方法可在逐脉冲基础上完全由光学控制，为针对特定用例的优化提供简单的可重构性。我们利用该特性演示了一种循环丢弃（recurrent drop-out），将光学输入脉冲排除在循环操作之外。此外，我们将OREO作为接收器应用于识别光脉冲序列中多达种模式。最后，我们引入一种DNN架构，其使用OREO作为双向感知机，以在相干光信号处理中实现新型DNN。
引用
@article{arxiv.2309.01543,
title = {An optoacoustic field-programmable perceptron for recurrent neural networks},
author = {Steven Becker and Dirk Englund and Birgit Stiller},
journal= {arXiv preprint arXiv:2309.01543},
year = {2024}
}