基于4端口光子储备库的神经形态计算硬件实现：用于调制格式识别
应用物理
2024-06-21 v1
摘要
机器学习和人工智能领域的研究推动了探索能效高效、受大脑启发的新型硬件。储备计算涵盖了用于顺序数据处理的循环神经网络，能够与其他循环网络相当，却需要更少的训练和更低的成本。然而，传统的基于软件的神经网络因计算需求和大规模数据传输而面临高能耗问题。光子储备计算通过能效高效的神经形态光子集成电路（NeuroPIC）来克服这一挑战。本文介绍了一个用于C-band通信网络监控中调制格式识别的储备NeuroPIC。其构建于硅基绝缘平台上，由由延迟线连接的物理节点构成4端口储备架构。我们全面描述了NeuroPIC的设计与制造，实验演示了其性能，并与仿真结果进行比较。NeuroPIC通过简单的数字读出实现非线性特性，在识别经历20公里光纤、32 GBaud符号率下传送的几种调制格式的 quadrature 幅度调制格式时，接近100%的准确率。NeuroPIC的性能对制造缺陷如波导传输损耗、相位随机化等以及延迟线长度变化具有较强鲁棒性。此外，实验结果超过了数值仿真，我们认为归因于实验NeuroPIC输出中增强的信号干扰。我们能效高效的光子方法在多种应用中具有高速时序数据处理的潜力。
引用
@article{arxiv.2406.13549,
title = {Hardware Realization of Neuromorphic Computing with a 4-Port Photonic Reservoir for Modulation Format Identification},
author = {Enes Şeker and Rijil Thomas and Guillermo von Hünefeld and Stephan Suckow and Mahdi Kaveh and Gregor Ronniger and Pooyan Safari and Isaac Sackey and David Stahl and Colja Schubert and Johannes Karl Fischer and Ronald Freund and Max C. Lemme},
journal= {arXiv preprint arXiv:2406.13549},
year = {2024}
}
备注
32 pages, including supporting information