制造工艺偏差下集成硅光子神经网络的表征与优化
新兴技术
2022-12-21 v1 神经与进化计算
摘要
硅光子神经网络（SPNNs）凭借低数个数量级的延迟与更高的能效，已成为电子人工智能（AI）加速器大有前途的继任者。然而，SPNNs 中的底层硅光子器件对源自光学光刻缺陷的不可避免制造工艺偏差（FPVs）十分敏感。因此，SPNNs 中的推理精度会受到 FPVs 的极大影响——例如可降至 10% 以下——其影响尚待充分研究。在本文中，我们首次对使用马赫-曾德尔干涉仪（MZIs）的相干 SPNNs 中波导宽度与绝缘体上硅（SOI）厚度的 FPVs 影响进行建模与探究。利用此类模型，我们提出了一种新颖的变异感知、设计期优化方案，以提升 SPNNs 中 MZI 对不同 FPVs 的容差。在真实且相关的 FPVs 下，针对两个不同规模的示例 SPNNs 的仿真结果表明，优化后的 MZIs 可将 MNIST 手写数字数据集（本文中用作示例）的推理精度提升高达 93.95%——相对于无偏差情况对应 <0.5% 的精度损失。所提出的单次优化方法带来的面积开销较低，因此甚至适用于资源受限的设计。
引用
@article{arxiv.2204.09153,
title = {Characterization and Optimization of Integrated Silicon-Photonic Neural Networks under Fabrication-Process Variations},
author = {Asif Mirza and Amin Shafiee and Sanmitra Banerjee and Krishnendu Chakrabarty and Sudeep Pasricha and Mahdi Nikdast},
journal= {arXiv preprint arXiv:2204.09153},
year = {2022}
}