纳米光子神经网络中用于深度学习的实验实现原位反向传播

神经网络是广泛应用于许多科学学科和商业领域的模型，范围从边缘计算和传感到数据中心的大规模信号处理。训练此类网络最高效且最成熟的方法是反向传播，即反向模式自动微分。为了应对人工智能领域指数级增长的能源预算，最近人们对神经网络的模拟实现产生了兴趣，特别是纳米光子神经网络，但目前尚无模拟反向传播的演示。我们设计了可大规模制造的硅光子神经网络，该网络将我们定制设计的“光子网格”加速器与数字实现的非线性交替级联。这些可重构光子网格通过设置物理电压来调谐通过集成马赫-曾德尔干涉仪网络传播的光学编码输入数据的干涉，从而对计算密集型任意矩阵乘法进行编程。在此，我们使用封装的光子芯片，首次演示了原位反向传播，以解决分类任务，并评估了一种新协议，将整个梯度测量和物理设备电压的更新保持在模拟域中，改进了过去的理论方案。我们的方法是通过对典型光子网格引入三项改变而实现的：（1）在光学“光栅抽头”监测器处进行测量，（2）通过光纤开关自动化的双向光信号传播，以及（3）光振幅和相位的通用生成与读出。训练后，即使存在系统误差，我们的分类准确率也与数字等效方案相似。我们的发现为光子加速人工智能提出了一种全新的训练范式，该范式完全基于流行的反向传播技术的物理模拟。