面向高效高速神经网络的用于光学卷积的集成光子FFT
光学
2020-03-25 v2 无序系统与神经网络
新兴技术
摘要
深度学习系统中从数据中执行特征提取这一具有技术相关性的任务，在图形处理单元（GPU）等主流领域专用架构中通常作为重复的快速傅里叶变换（FFT）以电子方式完成。然而，电子系统受限于功耗和延迟，这两者均源于与互连电容相关的线充电挑战。本文提出了一种基于硅光子的卷积神经网络架构，其利用光的相位特性，通过在傅里叶域中将卷积作为乘法执行来高效地完成FFT。算法执行时间由信号通过该光子可重构无源FFT滤波电路的飞行时间决定，约为数十皮秒。灵敏度分析表明，该光学处理器必须进行热相位稳定，对应几度的范围。此外，我们发现对于小样本数，可获得的每{时间-功率-芯片面积}卷积数优于GPU约2个数量级。最后，我们从概念上表明，光学FFT和卷积处理性能确实与光电设备层面直接相关，并且等离激元、超材料或纳米光子学的改进正在推动下一代密集互连智能光子电路的发展，这与边缘计算5G网络相关。
引用
@article{arxiv.2002.01308,
title = {Integrated Photonic FFT for Optical Convolutions towards Efficient and High-Speed Neural Networks},
author = {Moustafa Ahmed and Yas Al-Hadeethi and Ahmed Bakry and Hamed Dalir and Volker J. Sorger},
journal= {arXiv preprint arXiv:2002.01308},
year = {2020}
}
备注
Revisions required