集成光子深度神经网络：端到端芯片上反向传播训练
光学
2025-06-18 v1
摘要
集成光子神经网络（PNNs）已显示出显著的潜力，以补充其数字电子对应物[1-3]。然而，可靠且可重复的可扩展PNNs性能直接取决于其训练质量。误差反向传播（BP），该方法依赖非线性激活梯度计算，是训练数字神经网络的主流算法，由于其可扩展性、通用性和实现效率[4]。因此，其采用对于PNNs的训练高度不可取。尽管存在这些好处且由于缺乏可扩展的芯片上激活梯度[5]，PNNs大多数情况下是通过数字计算机运行BP进行训练，这对于解决器件变异问题是不够的，或通过梯度自由算法，这些算法并未充分发挥BP训练的灵活性。本文报道了集成光子深度神经网络的端到端芯片上梯度下降BP训练。所有线性和非线性计算均在单个光子芯片上完成，尽管存在可观的——但典型的——制造导致的器件变异，仍实现了可扩展且稳健的训练。在两个非线性数据分类任务中，芯片的性能在准确率和鲁棒性方面均与理想数字模型相匹配。将BP训练的优势与PNNs集成，使其能够适用于各种PNN架构，为可扩展且可靠的下一代光子计算系统铺平了道路。
引用
@article{arxiv.2506.14575,
title = {Integrated photonic deep neural network with end-to-end on-chip backpropagation training},
author = {Farshid Ashtiani and Mohamad Hossein Idjadi and Kwangwoong Kim},
journal= {arXiv preprint arXiv:2506.14575},
year = {2025}
}