用于卷积神经网络的数字电子与模拟光子技术（DEAP-CNNs）
信号处理
2020-11-17 v1 神经与进化计算
应用物理
光学
摘要
卷积神经网络（CNNs）是从大型数据集中提取特征的强大且高度普及的工具，应用于计算机视觉和自然语言处理等领域。然而，在数字电子中卷积是一种计算代价高昂的操作。相比之下，近年来备受关注的新形态光子系统为神经网络训练与推理提供了更高的带宽与能效。新形态光子利用光电子的优势，包括模拟处理的简便性，以及在单一波导上以光速总线传输多路信号。在此，我们提出一种数字电子与模拟光子（DEAP）CNN硬件架构，其有望在保持当前最先进GPU相同功耗的同时，达到2.8至14倍的加速。
引用
@article{arxiv.1907.01525,
title = {Digital Electronics and Analog Photonics for Convolutional Neural Networks (DEAP-CNNs)},
author = {Viraj Bangari and Bicky A. Marquez and Heidi B. Miller and Alexander N. Tait and Mitchell A. Nahmias and Thomas Ferreira de Lima and Hsuan-Tung Peng and Paul R. Prucnal and Bhavin J. Shastri},
journal= {arXiv preprint arXiv:1907.01525},
year = {2020}
}
备注
12 pages, 9 figures, 3 tables