缺陷下相干集成光子神经网络的特性刻画
新兴技术
2023-03-22 v1 机器学习
信号处理
摘要
集成光子神经网络（IPNNs）因其计算速度与能效的显著提升，正成为传统电子 AI 加速器的有前途的继任者。特别地，相干 IPNNs 使用马赫-曾德尔干涉仪（MZIs）阵列进行酉变换，以实现高能效的矩阵-向量乘法。然而，IPNNs 中的底层 MZI 器件易受源于光刻变异与热串扰的不确定性影响，并可能因 MZI 插入损耗不均以及调谐相位角低精度编码而产生不精确性。在本文中，我们首次采用自底向上的方法系统刻画此类不确定性及不精确性（统称为缺陷）对 IPNNs 的影响。我们表明，它们对 IPNN 精度的影响会因受影响组件的调谐参数（如相位角）、物理位置以及缺陷的性质与分布而有很大差异。为改进可靠性度量，我们识别出在缺陷下可能导致分类精度灾难性退化的关键 IPNN 构建模块。我们表明，在多个同时存在的缺陷下，即便缺陷参数被限制于小范围内，IPNN 推理精度也可退化多达 46%。我们的结果还表明，推理精度对影响 IPNN 输入层旁线性层中 MZIs 的缺陷十分敏感。
引用
@article{arxiv.2207.10835,
title = {Characterizing Coherent Integrated Photonic Neural Networks under Imperfections},
author = {Sanmitra Banerjee and Mahdi Nikdast and Krishnendu Chakrabarty},
journal= {arXiv preprint arXiv:2207.10835},
year = {2023}
}
备注
This paper has been accepted for publication in the IEEE Journal of Lightwave Technology (JLT)