LuxIA：基于迭代算法的轻量级酉矩阵框架用于光子神经网络训练
机器学习
2025-12-30 v1
摘要
光子神经网络（PNN）因利用光子电路独特优势，为加速机器学习提供了前景。然而，当前领先的 PNN 仿真工具在训练大规模 PNN 时面临显著可扩展性挑战，由于传递矩阵计算的计算需求，导致高内存和时间消耗。为克服这些限制，我们提出一种切片方法（Slicing method），这是一种兼容反向传播的高效传递矩阵计算方法。我们将其集成到 LuxIA，一个统一的仿真和训练框架中。切片方法显著降低了内存使用和执行时间，使大规模 PNN 的仿真和训练成为可能。跨各种光子架构和标准数据集（包括 MNIST、Digits 和 Olivetti Faces）的实验评估显示，LuxIA 在速度和可扩展性方面 consistently 超越现有工具。我们的结果推动了 PNN 仿真技术的前沿，使探索和优化更大更复杂的架构变得可行。通过解决关键计算瓶颈，LuxIA 促进了更广泛的采用，加速了基于光子技术的 AI 硬件创新。本工作为更高效和可扩展的光子神经网络研究和开发铺平了道路。
引用
@article{arxiv.2512.22264,
title = {LuxIA: A Lightweight Unitary matriX-based Framework Built on an Iterative Algorithm for Photonic Neural Network Training},
author = {Tzamn Melendez Carmona and Federico Marchesin and Marco P. Abrate and Peter Bienstman and Stefano Di Carlo and Alessandro Savino Senior},
journal= {arXiv preprint arXiv:2512.22264},
year = {2025}
}